在集成电路产业中,良率提升意味着生产成本降低、利润率提高,是集成电路企业在市场中维持自身核心竞争力的关键因素。随着特征尺寸的不断下探,集成电路生产制造工艺愈发复杂,由此带来的良率损失问题也愈发严峻。如何利用集成电路生产测试中收集到的数据来提升良率,是集成电路企业关注的重点之一。晶圆允收测试(WaferAcceptanceTest,WAT)作为集成电路生产流程中一项重要的测试环节,常用于器件参数模型的提取与工艺波动的捕获,对集成电路良率提升有着重要意义。本文围绕可寻址WAT良率分析场景展开,对利用机器学习方法进行良率诊断的方案进行了 了研究与探索。针对现有方法在分析效率与准确率上的不足,在实验的基础上提出了一种基于随机森林算法的良率诊断方法。论文的主要研究内容如下:(1)分析了目前主流的两种可寻址WAT良率诊断方法:多维分析方法与基于决策树的良率诊断方法,并对这两种方法的局限性作了说明。(2)提出了一种基于随机森林算法的良率诊断方法,该方法使用随机森林算法建立测试结构参数与良率之间的分类模型,通过结合重采样与代价敏感来处理WAT测试数据集中的类别不均衡问题。(3)针对随机森林模型的可理解性问题,提出了 一种基于随机森林的规则提取方法,该方法:在维持分类性能的前提下,使用前向序列搜索方法对随机森林模型所集成的决策树规模进行精简;使用贪心迭代的方式从原始规则集合中提取关键规则,并通过修改规则的评价标准提升了对未知样本的发现能力。在真实的可寻址WAT测试数据集上应用本文提出的方法建立良率模型并提取规则,在分类性能上较基于决策树的方法有着更好的表现。