随着信息技术的飞速发展，存储系统需要更大的容量和更高的可靠性。3DNAND闪存作为新一代闪存技术通过立体堆叠提高存储密度，但其寿命即可使用编程/擦除(Program/Erase，P/E)循环数却大幅减小，寿命限制带来的可靠性问题日益严重。制造商采用随机抽样和破坏性测试的方法制定闪存芯片寿命标称值，这与实际使用寿命存在较大差异。一方面可靠性无法保障，另一方面存储容量没有充分利用，因此迫切需要新的方法测试闪存寿命。人工神经网络可以快速学习复杂对象的特征，通过建模学习闪存寿命特征将有助于实现通过少量非破坏性测试预测闪存块寿命的目的。
　　本文首先设计了3DNAND闪存测试平台和测试方法，研究了闪存块寿命分布情况和寿命起始到终止各个阶段相关物理参数的实际变化规律；其次根据闪存寿命特征设计了数据集预处理方法、人工神经网络结构和训练方法；最后学习得到了三个模型，从学习集和实际预测结果两方面比较三个模型的预测效果，分析模型的普适性，并提出了去噪和多模型平均两种方法优化模型的预测效果。
　　研究结果表明：3DNAND闪存芯片不同块的寿命存在较大差异，制造商提供的标称值不能很好描述闪存寿命，当前闪存使用中存在存储空间的浪费。P/E循环过程中闪存块的擦除时间、特征编程时间、平均读取时间、原始错误比特数能够体现3DNAND闪存寿命特征，适合作为寿命预测模型的输入。三个模型均方误差归一值均小于0.05，实际测试预测误差率分别为0.123、0.041和0.159。经过对比分析，单芯片模型预测效果优于混合模型，模型对其他芯片没有普适性，每种芯片适合单独建模。使用去噪方法，可以提高模型的预测效果，单芯片模型测试集均方误差归一值分别减少了31.58%、23.07%；使用多模型平均方法，可以提高模型预测的稳定性。本文设计的模型建立方法可以得到较准确的3DNAND闪存块剩余寿命预测模型，为闪存寿命预测研究提拱了新思路和解决方案。