針對目前存在的字典學習方法不能有效構造具有鑒別能力字典的問題，提出具有鑒別表示能力的字典學習算法，并將其應用于軟件缺陷檢測。首先，重新構建稀疏表示模型，通過在目標函數(shù)中設計字典鑒別項學習具有鑒別表示能力的字典，使某一類的字典對于本類的樣本具有較強的表示能力，對于異類樣本的表示效果則很差；其次，添加Fisher準則系數(shù)鑒別項，使得不同類的表示系數(shù)具有較好的鑒別能力；最后對設計的字典學習模型進行優(yōu)化求解，以獲得具有強鑒別和稀疏表示能力的結構化字典。選擇經(jīng)過預處理的NASA軟件缺陷數(shù)據(jù)集作為實驗數(shù)據(jù)，與主成分分析（PCA）、邏輯回歸、決策樹、支持向量機（SVM）和代表性的字典學習方法進行對比，結果表明所提出的具有鑒別表示能力的字典學習算法的準確率與F-measure值均有提高，能在改善分類器性能的基礎上提高檢測精度。