針對(duì)目前存在的字典學(xué)習(xí)方法不能有效構(gòu)造具有鑒別能力字典的問(wèn)題，提出具有鑒別表示能力的字典學(xué)習(xí)算法，并將其應(yīng)用于軟件缺陷檢測(cè)。首先，重新構(gòu)建稀疏表示模型，通過(guò)在目標(biāo)函數(shù)中設(shè)計(jì)字典鑒別項(xiàng)學(xué)習(xí)具有鑒別表示能力的字典，使某一類的字典對(duì)于本類的樣本具有較強(qiáng)的表示能力，對(duì)于異類樣本的表示效果則很差；其次，添加Fisher準(zhǔn)則系數(shù)鑒別項(xiàng)，使得不同類的表示系數(shù)具有較好的鑒別能力；最后對(duì)設(shè)計(jì)的字典學(xué)習(xí)模型進(jìn)行優(yōu)化求解，以獲得具有強(qiáng)鑒別和稀疏表示能力的結(jié)構(gòu)化字典。選擇經(jīng)過(guò)預(yù)處理的NASA軟件缺陷數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，與主成分分析（PCA）、邏輯回歸、決策樹(shù)、支持向量機(jī)（SVM）和代表性的字典學(xué)習(xí)方法進(jìn)行對(duì)比，結(jié)果表明所提出的具有鑒別表示能力的字典學(xué)習(xí)算法的準(zhǔn)確率與F-measure值均有提高，能在改善分類器性能的基礎(chǔ)上提高檢測(cè)精度。