소프트웨어 품질과 신뢰성은 소프트웨어 생산 분야에서 매우 중요한 문제이다. 소프트웨어 오류 및 결함 탐지 기술은 소프트웨어 실패를 방지하는 소프트웨어 시스템 신뢰성 분야에서 가장 중요한 연구 목표 중 하나이다. 따라서 결함을 정확하게 예측하기 위한 결함 예측 모델의 성능은 모델의 개선과 효과성을 높이는 데 중요하다. 본 논문에서는 소프트웨어의 결함을 예측하기 위해 딥러닝 및 메타휴리스틱(metaheuristic) 모델을 기반으로 한 하이브리드의 효율적인 분류 모델을 제시하고자 시도하였다. 제안된 모델의 기반은 AST 토큰의 의미를 추출하기 위한 MnasNet과 핵심 특징을 유지하기 위한 LSTM의 결합을 활용하는 데 있다. 또한 메타휴리스틱 알고리즘의 최적화 역량과 네트워크의 학습 역량을 통해 적절한 계수와 수용 가능한 결과를 산출할 수 있도록 Lotus Flower Algorithm의 개선된 변형(ILFA)으로 개선하였다. 제안된 모델의 결과를 평가하기 위해 이 모델을 실제 데이터셋에 적용하였고, 그 결과를 몇 가지 서로 다른 방법과 비교하였다. 새롭게 결합된 모델은 Xerces 프로젝트에서 가장 우수하게 작동하여 93%의 정확도를 달성했으며, 이는 다른 모델들보다 훨씬 더 나은 성능이었다. 또한 서로 다른 프로젝트들에서도 좋은 성능을 보였는데, 데이터 정제 및 클래스 크기 불균형 문제를 수정한 후 정확도가 3.3%에서 7.9%까지 향상되었다. 이러한 결과는 제안된 모델이 가장 높은 수준의 효율성을 달성할 수 있음을 시사한다.