Seleccionar el método de filtro más adecuado que producirá un subconjunto de características con el mejor rendimiento sigue siendo un problema abierto conocido como el problema de selección de rango de filtro. Una solución viable a este problema es aplicar independientemente una mezcla de métodos de filtro y evaluar los resultados. Este estudio propone métodos novedosos de selección de características de múltiples filtros basados en la agregación de rangos para abordar la alta dimensionalidad y el problema de selección de rango de filtro en la predicción de defectos de software (SDP). Los métodos propuestos combinan listas de rangos generadas por métodos de filtro individuales utilizando mecanismos de agregación de rangos en una sola lista de rangos agregados. Los métodos propuestos tienen como objetivo resolver el problema de selección de filtro utilizando múltiples métodos de filtro con características computacionales diversas para producir una lista de rangos de características disyunta y completa superior a los métodos de rango de filtro individuales. La efectividad del método propuesto fue evaluada con modelos de Árbol de Decisión (DT) y Naïve Bayes (NB) en conjuntos de datos de defectos del repositorio de la NASA. A partir de los resultados experimentales, los métodos propuestos tuvieron un impacto superior (positivo) en el rendimiento de predicción de los modelos NB y DT que otros métodos de FS experimentados. Esto convierte a la combinación de métodos de rango de filtro en una solución viable para el problema de selección de rango de filtro y la mejora de los modelos de predicción en SDP.