تشخیص خطاهای نرم‌افزار، یکی از بزرگ‌ترین چالش‌های توسعه نرم‌افزاراست و بیش‌ترین بودجه را در فرآیند توسعه نرم‌افزار به خود اختصاص می­دهد. با توجه به اهمیت تشخیص خطاهای نرم‌افزار، در این مقاله روشی بر مبنای مجموعه‌های فازی و الگوریتم‌های تکاملی ارائه می‌شود. از آن‌جا که ماهیت مجموعه‌داده‌های تشخیص خطای نرم‌افزار نامتوازن است،  از مزایای الگوریتم‌های خوشه‌بندی فازی به‌منظور نمونه‌برداری از داده‌ها و توجه بیشتر به طبقه اقلیت استفاده شده است. روش پیشنهادی در‌واقع یک الگوریتم ترکیبی است که در ابتدا از روش خوشه‌بندی c میانگین فازی به‌منظور نمونه‌برداری بوت‌استراپ وزن­دار استفاده می­شود. وزن داده‌ها همان درجه عضویت آنهاست و درجه عضویت داده‌های طبقه اقلیت افزایش می­یابد. در گام بعدی، از الگوریتم خوشه‌بندی کاهشی برای ایجاد طبقه‌بند استفاده می­شود که توسط داده‌های تولید‌شده در مرحله قبل آموزش می­بیند؛ همچنین از الگوریتم ژنتیک دودویی برای انتخاب ویژگی­های مناسب استفاده می‌شود. نتایج به‌دست‌آمده و هم­چنین مقایسه آنها با چندین روش معروف در این زمینه، کارایی مناسب روش پیشنهادی را نشان می­دهد. برای انجام آزمایش­ها از ده پایگاه داده معروف با گستره وسیعی از اندازه و نرخ عدم توازن، استفاده شده است و برای تأیید نتایج از آزمون آماری تی بهره برده‌ایم.