随着我国科技水平不断进步,发展高度自主可控的集成电路制造技术成为解决半导体产业受制于人的关键举措。然而我国在以光刻机为代表的高精制造设备上的技术积累与国际先进水平存在差距,其中一个重要体现为光刻缺陷导致晶圆生产良率不达标。面对海量的光刻缺陷数据,引入智能缺陷分析系统代替目前的人工检测能够有效提升检测精度与反馈效率,其核心问题在于晶圆缺陷图像如何进行精准分割。本文基于国产光刻机晶圆光刻缺陷扫描电镜图像数据集,对数据集筛选问题、缺陷图像标注问题以及缺陷图像的分割问题展开了深入研究。研究内容主要为以下三个方面:（1）建立无参考模式下晶圆缺陷图像模糊筛选系统。针对由于扫描电镜成像误差所引入的图像严重模糊失真问题,首先进行了模糊形态的统计与归纳,并提出一种基于多尺度分解的图像模糊评价参数。以该参数结合支持向量机模型构建图像模糊筛选系统,实验表明该系统具有优异且稳定的模糊图像筛选能力;（2）提出晶圆光刻缺陷图像语义分割标注方法。针对晶圆缺陷图像存在复杂几何特征及噪声与模糊形态导致其语义分割标注人力成本高、标注准确率低的问题,提出一种结合边界惩罚函数的水平集演化自适应语义分割标注方法。该方法创新地引入水平集模型,同时结合人工标注结果构建模型边界惩罚,使得标注结果在人工约束范围内进行演化。实验表明该方法相较于现有标注方法显著提升标注准确率且降低标注成本;（3）提出多场景自适应晶圆光刻缺陷语义分割模型。针对晶圆缺陷图像数据集中场景复杂多样的特征,首先进行不同场景下的图像统计与分类,并提出基于UNet++的晶圆缺陷分割网络。得益于其结构上的优势能够对不同场景晶圆缺陷数据集进行自适应训练并形成不同剪枝模型。实验表明,本文模型相较于同层级UNet网络具有更高的分割准确率,同时其自适应的剪枝模式能够最优化其模型运算效能。