横向双扩散金属氧化物半导体（Lateral Double-Diffusion Metal Oxide Semiconductor,LDMOS）因其高耐压,低导通电阻,功耗低以及高集成度等优点而成为了高压集成电路（Hight Voltage Intergrated Circuit,HVIC）的主要元件。其中,导通电阻（specific on resistance,Ron,sp）以及击穿电压（Breakdown Voltage,BV）作为横向功率器件的核心设计参数,一直是功率器件研究领域的热点。如何做好击穿电压与导通电阻之间的折衷,是设计横向功率器件的关键问题。横向功率器件的雪崩击穿电压是由半导体层中的载流子碰撞电离所决定的,其中碰撞电离系数是分析碰撞电离过程和雪崩耐压的一个关键参数。但是由于横向功率器件所固有的二维耦合效应,传统的一维PN结中用于求解雪崩电离积分的Fulop近似模型已不再适用于横向功率器件雪崩击穿电压的求解。本文围绕适用于横向功率器件的碰撞电离系数模型进行研究。首先,根据解析模型和数值仿真工具验证传统基于一维PN结的硅基碰撞电离近似模型在二维功率器件分析中不再适用。进一步,基于虚拟缓变结理论和雪崩击穿理论得出了适用于横向功率器件改进的碰撞电离系数经验模型。最终利用深度神经网络建立了从器件结构参数到碰撞电离系数的预测模型,该碰撞电离系数预测模型的准确率可达97%,研究内容包括:第一,二维碰撞电离系数模型研究。本研究阐明了在横向功率器件漂移区部分耗尽以及完全耗尽时,碰撞电离系数随器件结构参数的变化规律。并基于虚拟缓变结理论以及雪崩击穿理论,提出了二维碰撞电离系数经验模型。该碰撞电离系数经验模型可以定量地描述碰撞电离系数随器件结构参数的变化,对横向功率器件雪崩击穿电压的精确求解提供了指导和帮助。第二,二维碰撞电离系数预测方法研究。本论文提出了一种基于深度学习网络的新型二维碰撞电离系数预测模型,实现对具有二维耐压结构横向功率器件碰撞电离系数的预测。与基于TCAD仿真工具的人工参数提取方法相比,该碰撞电离系数预测模型的准确率可达97%,并且在保证预测精度的同时可以极大降低预测时间。第三,提出了一种基于虚拟缓变结理论的Triple RESURF（T-RESURF）横向功率器件的优化准则。该方法通过将T-RESURF横向功率器件复杂的二维漂移区等效一维的虚拟缓变结,从而绕过求解复杂的二维泊松方程。模型与TCAD仿真结果的一致性,证明了该方法的准确性。并且得益于其简洁性和准确性,所提出的方法不仅能够定性和定量地分析T-RESURF效应,还能够为T-RESURF横向功率器件的设计和优化提供指导。