Esta investigación contribuye a un sistema inteligente de predicción de defectos de software basado en la nube utilizando técnicas de fusión de aprendizaje automático a nivel de datos y decisión. El sistema propuesto detecta los módulos defectuosos utilizando un método de predicción de dos pasos. En el primer paso, la predicción se realiza utilizando tres técnicas de aprendizaje automático supervisado, incluyendo Bayes ingenuo, red neuronal artificial y árbol de decisión. Estas técnicas de clasificación se ajustan de forma iterativa hasta lograr la máxima precisión. En el segundo paso, la predicción final se realiza fusionando la precisión de los clasificadores utilizados con un sistema basado en lógica difusa. La técnica de lógica difusa propuesta integra la precisión predictiva de los clasificadores utilizados mediante ocho reglas difusas de tipo si-entonces para lograr un mejor rendimiento. En el estudio, para implementar el sistema de predicción de defectos basado en fusión propuesto, se fusionaron cinco conjuntos de datos, que fueron recopilados del repositorio de la NASA, incluyendo CM1, MW1, PC1, PC3 y PC4. Se observó que el sistema inteligente propuesto logró una precisión del 91.05% para el conjunto de datos fusionado y superó a otras técnicas de predicción de defectos, incluidos los clasificadores base y las técnicas de conjunto de vanguardia.