La predicción de defectos de software es fundamental para mejorar la calidad del software y reducir los costos de mantenimiento. En los últimos años, la predicción de defectos de software entre proyectos ha captado una atención significativa por parte de los investigadores. Este enfoque aprovecha el aprendizaje por transferencia para aplicar el conocimiento de proyectos existentes a nuevos, mejorando así la universalidad de los modelos predictivos. Proporciona una solución efectiva para proyectos con datos históricos limitados de defectos. Sin embargo, las metodologías actuales enfrentan dos desafíos principales: primero, la insuficiencia de la extracción de información de características, donde se utiliza información estadística de código o información semántica de forma aislada, ignorando los beneficios de su integración; segundo, la disparidad sustancial de características entre diferentes proyectos, lo que puede llevar a un efecto insuficiente durante el aprendizaje por transferencia, lo que requiere esfuerzos adicionales para reducir esta brecha y mejorar la precisión. Para abordar estos desafíos, este documento propone una metodología novedosa, SDP-MTF (Predicción de Defectos de Software utilizando Aprendizaje por Transferencia Multietapa y Fusión de Características), que combina características estadísticas de código, características semánticas profundas y múltiples métodos de aprendizaje por transferencia de características para mejorar el efecto predictivo. El método SDP-MTF fue probado empíricamente en la predicción de defectos de software entre proyectos de una sola fuente a través de seis proyectos del conjunto de datos PROMISE, comparado con cinco algoritmos de referencia que emplean características y metodologías de transferencia distintas. Nuestros hallazgos indican que SDP-MTF supera significativamente a cinco algoritmos de referencia clásicos, mejorando el puntaje F1 en un 8% a 15.2%, avanzando sustancialmente la precisión de la predicción de defectos de software entre proyectos.