El desarrollo de la mayoría de los sistemas de software modernos está acompañado por un nivel significativo de incertidumbre, que puede atribuirse a las actividades imprevistas que pueden ocurrir a lo largo del proceso de desarrollo de software. A medida que estos sistemas de software modernos se vuelven más complejos y prolongados, las tasas de fallos en los proyectos de software en aumento se han convertido en una preocupación crítica. Estas incertidumbres imprevisibles se conocen como riesgos de software, y surgen de muchos factores de riesgo inherentes a las numerosas actividades que comprenden el ciclo de vida del desarrollo de software (SDLC). En consecuencia, estos riesgos de software han provocado enormes pérdidas de ingresos para las organizaciones de software. Por lo tanto, es imperativo abordar estos riesgos de software para frenar futuros fallos en los sistemas de software. El método de evaluación de riesgos subjetivos (SRM) se considera una solución viable para los problemas de riesgo de software. Sin embargo, depende inherentemente de los humanos y, por lo tanto, en ciertas situaciones, es impreciso debido a su dependencia del conocimiento y la experiencia de un experto. Además, el SRM no permite la repetibilidad, ya que el expertise no se intercambia fácilmente entre las diferentes unidades que trabajan en un proyecto de software. Desarrollar métodos de modelado inteligente que puedan ofrecer asistencia en la toma de decisiones en la gestión de riesgos más imparcial, reproducible y explicativa es crucial. Por lo tanto, esta investigación propone modelos de inducción difusa mejorados para la predicción de riesgos de requisitos de software. Específicamente, se desarrollan el algoritmo de inducción de reglas difusas no ordenadas (FURIA) y sus variantes mejoradas basadas en dicotomías de selección de subconjuntos anidados para la predicción de riesgos de requisitos de software. Los modelos de inducción difusa sugeridos se basan en el uso de métodos efectivos de extensión de reglas para el proceso de predicción. Además, el método FURIA propuesto se mejora mediante la introducción de conceptos de dicotomías de selección de subconjuntos anidados en su proceso de predicción. El rendimiento de predicción de los modelos propuestos se evalúa utilizando un conjunto de datos de referencia y luego se compara con los modelos de predicción de riesgos de software existentes basados en aprendizaje automático (ML) y basados en reglas. A partir de los resultados experimentales, se observó que el FURIA tuvo un rendimiento comparable, en la mayoría de los casos, a los modelos basados en reglas y en ML. Sin embargo, las variantes de dicotomía anidada de FURIA fueron superiores en rendimiento al método convencional de FURIA, y a los métodos basados en reglas y en ML, con la menor precisión, área bajo la curva (AUC) y coeficiente de correlación de Mathew (MCC), con valores de aproximadamente el 98%.