近些年,随着集成电路的发展,传统硅基场效应晶体管的尺寸和性能逐渐趋近极限,研究新的替代器件十分有必要。石墨烯在力学、光学、电学、化学、生物等各方面性能具有明显的优势,引起了研究者的广泛关注,由石墨烯构成的石墨烯场效应晶体管（GFET）已经被应用在生化传感器、太阳能电池、高速电子器件、触摸屏及柔性印刷电路等各领域^[1]。然而,由于石墨烯具有零带隙的特性,GFET器件的开关电流比很小,阻碍了其在半导体器件领域的发展和应用。因此,如何提高GFET的开关电流比等性能成为了研究的重中之重。经调研发现,目前针对GFET器件性能的研究,都仅对一种构型的器件进行了实验或理论研究,还没有针对不同构型的GFET器件性能的对比研究。这是由于加工各种不同构型参数的GFET器件的工艺复杂,设备昂贵,耗时长,且成本非常高、加工一致性和可重复性差。而本文的不同之处在于:对比研究了三种不同构型的GFET器件,并利用计算机仿真模拟与机器学习预测相结合的方法,提高了计算效率,在实际加工器件前确立最优的模型参数,避免上述器件加工工艺中出现的一系列问题。计算机仿真模拟半导体器件的性能已经成为一种主流的器件性能预测与优化的途径之一。同时,机器学习的飞速发展在半导体器件优化领域体现出了巨大的商业成果和研究价值。针对GFET器件性能预测问题,本文提出了一种基于Technology Computer Aided Design（TCAD）仿真模拟的机器学习算法预测方法。即,文中提出了将TCAD仿真模拟与BP神经网络相结合的方法,实现GFET器件性能的预测。本文的主要工作如下:首先,利用TCAD半导体仿真软件模拟GFET器件及其电学特性,系统地研究了多种模型参数对顶栅、背栅和双栅三种构型GFET器件的性能影响规律,包括栅长（L_g）、栅介质层厚度(t_ox)、沟道长度（L_c）和沟道掺杂浓度（N_c）等模型参数对GFET电学特性曲线的影响规律;并对其电学性能进行了模拟计算,包括开关电流比(I_on/I_off)和跨导（g_m）性能。然后,基于TCAD仿真模拟计算的大量数据,与Matlab机器学习方法相结合,针对GFET器件性能的预测问题,通过特征选择和优化后的BP神经网络算法实现该器件性能的预测。通过特征选择的方法,从四维特征集中选取了二维最佳特征子集来预测GFET器件的性能。将选取的二维器件模型特征作为输入,开关电流比和最大跨导(（g_m）_max)性能作为输出,通过实验确立了最优BP神经网络预测模型的隐含层神经元个数和训练函数。利用优化后的BP神经网络实现GFET器件性能预测,对I_on/I_off和（g_m）_max器件性能预测的MSE均很小。同时,结合机器学习算法后的预测耗时比TCAD仿真计算耗时减少了45.5%以上,极大地缩短了GFET器件仿真模拟的时间。本文的研究致力于开发出一种低成本且高效的预测方法,且对优化选取GFET器件的构型及加工工艺参数具有重要的价值。