半导体产业的快速发展,造成工业领域对于半导体加工工艺的精细程度提出了更高的要求,在前道检测流程中,晶圆片表面的缺陷检测是一个重要的研究领域,最常见的缺陷是加工流程中晶圆片表面产生的一些细小颗粒,而这些微颗粒的存在将会导致光刻过程中电路的断路或短路,从而影响芯片的性能。因此针对晶圆表面微颗粒的检测项目本文做了如下工作:首先学习研究了麦克斯韦方程,光散射基本理论,对米氏散射,瑞利散射由于颗粒粒径的不同其物理散射公式的不同进行了运算,得出了散射光强与入射光波长和微颗粒直径之间的关系,分析了颗粒形状,缺陷类型对于检测散射光强的影响,并根据以上研究理论搭建了一套晶圆表面微颗粒检测的系统,系统方案设计过程中主要考虑了明场暗场光源入射方法对于系统成像的影响,经具体实例对比选取了暗场照明的方法。硬件搭建部分则是分析了各部分器件选取对系统检测能力的影响,进而选用更合适的装置。系统软件部分是基于Visio Studio2015平台利用C++语言在MFC框架下编写的图形操作控制界面,软件可以连接到工业相机实时对采集图像进行检测,并可以对原始图像进行图像去噪、增强、阈值分割等操作,便于识别出检测区域中的缺陷并统计颗粒数目。然后搭建了一套散射显微检测装置,并在以激光为入射光源的检测系统基础之上,设计了一种大面积晶圆表面微颗粒的检测方案。使用LED阵列作为入射光源,可以实现大面积的照射,为了更好的吸收LED光源产生的杂散光,将整套检测系统放置在了内表面四周由高强度吸光材料所覆盖的遮光罩中。使用标准大小的聚苯乙烯微球作为检测样品,对比了两种方案各自的检测能力,使用405nm高功率激光作为入射光源的情况下系统检测能力可以达到500-300纳米,使用LED作为入射光源的情况下,其检测能力可以达到1微米左右。最后区别于传统图像处理的检测方法,本文基于全卷积神经网络（FCN）下的U-Net模型,对所采集到的数据进行了深度学习的训练方法。使用激光检测系统对表面涂有颗粒样品的晶圆片进行数据采集,对采集到的原始数据图像进行人工标定制作数据集,并对数据集进行增强操作使得数据量满足网络模型训练需求,模型训练成功后对其进行测试,根据数据评价指标和直接视觉效果,对训练结果进行评价。