在软件缺陷预测研究中，若考虑了大量度量元会造成数据集中含有大量特征，其中冗余特征和无关特征会降低缺陷预测模型的性能。提出一种两阶段混合特征选择方法HFS，具体来说，首先基于特征子集评估器移除已有特征集中的无关特征和冗余特征，随后基于特征排序评估器进一步移除其中的无关特征。在实证研究中，以基于实际开发项目的数据集作为评测对象，以NONE、CFS和CAR三种方法作为与HFS方法比较的经典方法。最终基于三种不同类型的分类器（包括决策树法、支持向量机和最近邻法）上，发现HFS方法不仅能够选出更小规模的特征子集，而且在大部分情况下，尤其以决策树作为分类器时，能够有效提高缺陷预测模型的性能。