随着电路复杂程度的提高和尺寸的日益缩小,测试已成为迫切需要解决的问题,特别是进入超高集成度的发展阶段以来,系统级芯片的功能更加强大以及复杂程度越来越高,同时也带来了一系列的芯片验证和测试问题。测试已成为制约大规模集成电路特别是系统级芯片设计和应用的一个关键因素。测试生成（Test Generation）作为测试的一部分,面临着严峻的挑战。测试生成（Test Generation）是对给定电路的故障确定测试向量的过程。测试生成中的确定性测试生成是采用算法程序自动生成测试向量的方法,此方法称为自动测试向量生成（Automatic Test Pattern Generation,ATPG）。ATPG在针对芯片生产测试中得到广泛应用。ATPG作为测试向量的生成工具,它能根据被测电路中的故障模型,生成简洁、高覆盖率的测试向量（Test Vectors）。但是基于传统的结构化搜索的ATPG算法要提高测试故障覆盖率,需要对电路进行大量的反复回溯搜索,这样就要耗费大量测试时间,使得测试生成的时间增加。静态学习（Static Learning）是在ATPG程序开始之前来执行。以逻辑推理的形式获得电路中不同门之间的逻辑关系,由逆反定理得到最终的学习结果。在过去的科学研究中,逻辑推理已被广泛应用于电子设计自动化（EDA）的多个领域。同时,静态学习也是芯片测试生成理论中的基础性技术,本文的研究是在集成电路可测试性设计的背景下进行的。本文提出利用新型数据结构的静态学习能通过对被测电路进行前向推理和后向推理以及门级模拟,来得到电路中存在逻辑关系的门。这样能够有效减少测试生成的时间。本论文研究内容为基于事件驱动的静态学习,以基准电路测试集作为研究对象,改进静态学习数据结构,实验结果与国外高校的软件运行结果进行对比,从而验证大规模数字集成电路静态学习的正确性。并且通过实验证明其算法具有良好的可拓展性。