本发明公开了一种基于SMOTE+Boosting算法的软件缺陷倾向预测方法，针对软件缺陷数据的非平衡性问题，首先使用SMOTE算法合成人工少数类样本，使之与多数类样本的数量达到平衡；然后根据原样本分布的密度信息计算人工少数类样本的惩罚因子用来调整人工样本的权重，使基本分类器区别原样本和人工少数类样本的学习而更偏重原样本和可信度较高的人工样本的学习；对原有样本仍继续使用原有的损失函数，对人工少数类样本的损失函数增加惩罚因子以惩罚可信度不高的人工样本，确定新损失函数；最后形成新的Boosting算法。该方法提高了少数类和多数类的分类精度，在预测分类领域，数据非平衡性导致的分类模型对少数类分类精度低，在一定程度上解决了该问题。