近几年来,云计算、人工智能和物联网等技术日新月异。芯片在计算、汽车、国防、航空航天、医疗、电信、网络、家用电器、便携式设备和无线应用等众多领域有着广泛的应用。芯片已经成为一个国家的基础性战略资源。由于硬件设计的复杂性日益增加,为了减轻硬件设计人员的负担,通常会引入第三方硬件知识产权（IP）模块。然而,第三方IP的普遍使用引发了安全问题,如攻击者插入硬件木马。目前没有一种单一的检测方法能够完全解决这个问题。本文针对利用环形振荡网络（RON）来检测硬件木马方法精度较低、FPR较高的缺点,与之结合监督学习和集成学习来改善基于RON的硬件木马检测方法。首先,提出一种基于与非门（NAND）结构的环形振荡网络的检测方法。基于非门（NOT）结构的环形振荡器是由一个与非门和偶数个非门组成。如果将其中所有反相器都用NAND来代替,则构成NAND结构环形振荡器。NAND结构环形振荡器的每一级输入都连接了电源电压,所以它比NOT结构环形振荡器对电压降更加敏感,因此更容易检测到硬件木马。实验通过对比NOT结构环形振荡器和NAND结构环形振荡器的检测方法,验证了该方法的有效性。然后,提出一种基于监督学习和NAND环形振荡网络的检测方法。在Trust-Hub的benchmark木马库中选取20种硬件木马,搭建好所需的RON结构,在FPGA中植入这些木马和ISCAS’89基准电路的实验环境中收集数据。再使用K最近邻（KNN）、支持向量机（SVM）、朴素贝叶斯（NB）和基于离散化的C4.5分类模型对其进行分类。为了进一步提高准确率和降低FPR,又对数据集使用SMOTE过采样来优化分类器性能。最后,提出一种基于集成学习和NAND环形振荡网络的检测方法。实验通过对比不同的集成方法:异质集成、Bagging以及将两种方法混合使用,验证了集成学习在该分类问题的有较高的准确率和较低的FPR。实验结果表明,准确率最高的分类器达到了99.3%。FPR值最的低分类器只有1.3%。也得到了综合性能较优的分类器,准确率为99.1%,FPR为2.1%。