数字集成电路是当今发展最快的技术领域之一,随着数字电路设计及工艺技术的发展,电路的规模和复杂度日益增大,使得电路的测试生成日益困难。对于复杂的大规模集成电路,传统的测试生成算法已不再适用,因此研究新型有效的数字集成电路测试生成算法具有十分重要的理论价值和实际意义。集成电路的测试生成问题是数学上公认的难题-NP完全问题,在过去的几年中,国内外的学者虽然提出了许多新的测试生成算法,但是到目前为止还没有一种算法能适合所有的大规模集成电路,集成电路的测试生成问题已成为一个重要的研究课题。本文采用固定故障模型和三值神经网络模型,对数字集成电路的测试生成进行研究,为提高故障覆盖率,减小测试生成时间,重点研究了以下内容:1.在深入研究二值神经网络测试生成算法基础上,将遗传算法引入到组合电路的测试生成算法中。基于遗传算法是一种全新的寻优方法,本文采用遗传算法求解约束网络对应能量函数的最小值点。在遗传算法中,适应度函数是影响算法性能的一个主要因素,它主要影响问题的求解空间,本文在比较其他适应度函数的基础上,提出本文的适应度函数,利用本文的适应度函数,在基准电路上得到测试矢量。同时,交叉、变异概率是影响收敛速度的一个重要的指标,本文将提出一个合理的交叉和变异的概率。2.在二值基础上,建立基本逻辑门电路的三值神经网络模型和组合电路的三值神经网络模型。用三值神经网络表示数字电路,可以减小搜索空间,避免很多不必要的赋值,因此可以在保证具有较高故障覆盖率的情况下,减小测试生成时间。在三值神经网络模型中,二值模型的能量函数不能适用于三值模型,因此需要求解三值模型的能量函数,在此本文对三值神经网络测试生成算法与二值神经网络测试生成算法进行比较。3.研究遗传算法的软件实现方法。在软件构建的标准电路基础上,用适当的编程方法实现遗传操作,可以有效的缩短程序的执行时间。在仿真过程中,根据程序运行状况,优化程序结构,调整遗传操作参数,以提高算法的测试速度。