安全攸关系统广泛应用于交通、工控、航空等与国计民生相关的安全攸关领域，对可靠性有着非常高的要求。而控制软件往往是安全攸关系统的核心，因此对它的可靠性预测精度必须达到很高的要求。将深度置信网络（DBN）应用于软件可靠性增长预测模型（SRPM）的研究。针对DBN中核心模块RBM的无监督学习，采用了动态模式跳转算法（DMH）。该算法通过动态地维护一个模式集，然后借助模式集中模式的跳转来完成RBM中状态的跳转，使RBM的无监督学习具有很高的学习效率。通过与参数动态调整的动态模糊神经网络（SA-DFNN）、BP神经网络（BPN）以及基于萤火虫算法的BP神经网络（FABP）建立的SRPM进行预测能力的比较，实验结果表明基于DBN建立的SRGM的预测结果精度最高且最稳定。