微机电系统以微电子技术和现代信息技术为基础,融合微加工和精密机械加工等多种加工技术而构造的微型系统。MEMS麦克风是将音频信号转换为电信号的微型传感器。相比于传统麦克风,它具有耐高温、频响平坦和体积小、功耗低的优点。MEMS器件建模涉及多个学科,复杂的机械机构和多物理场耦合导致精确仿真需要耗费大量计算资源。因此,提高模型的仿真效率是MEMS麦克风建模研究的热点。MEMS麦克风传统模型包括集总参数模型、有限元模型和器件宏模型。集总参数模型优点是物理概念明确、方程简单、仿真效率高,缺点是当振膜挠度处于非线性区间时,仿真误差较大。有限元模型的优点是可以对任意几何形状的振膜进行性能仿真,而且仿真精度较高。但是,精细的网格结构需要耗费大量计算资源,仿真效率低。当振膜结构发生明显变化时,需要重新仿真。器件宏模型提取MEMS麦克风关键物理特性,适用于系统仿真。但它属于降阶模型,仿真精度较低。为了解决当前模型存在的问题,本文提出基于人工神经网络MEMS麦克风模型,主要研究成果包括:（1）建立基于人工神经网络MEMS麦克风模型。采用人工神经网络建立MEMS麦克风模型,输入包括振膜几何和材料参数,输出麦克风灵敏度。本文设计8种不同类型麦克风,振膜结构包括方形、圆形固支振膜、方形缝隙振膜和圆形缺口振膜;材料包括多晶硅、碳化硅和氧化硅。通过有限元软件Ansys仿真得到神经网络训练数据。人工神经网络模型单次仿真时间0.6秒,均方根误差小于1%。相比于MEMS麦克风有限元模型,仿真效率提高500多倍。以多晶硅固支振膜麦克风为例,本文研究神经网络结构和训练数据量对模型仿真精度影响。单隐层5个神经元、30个训练数据的人工神经网络是固支振膜麦克风优化模型。（2）基于人工神经网络模型,进行MEMS麦克风灵敏度不确定性分析。制造工艺造成MEMS麦克风振膜结构和材料参数存在偏差,导致灵敏度不确定性。本文通过基于人工神经网络模型的蒙特卡罗模拟研究多晶硅圆形固支振膜麦克风灵敏度不确定性,研究目标包括产品良率、灵敏度概率密度和振膜参数敏度。利用概率设计系统和蒙特卡罗模拟分别仿真麦克风良率,结果分别为91.2%和91.4%,产品实际测试结果为91.5%。两种不同方法仿真灵敏度概率密度,均值的相对误差0.4%,标准差的相对误差3.6%;耗时大约为3000分钟和10分钟,仿真效率提高300倍。本文还研究振膜参数对灵敏度概率密度影响。随着半径增加,概率密度均值和标准差增大;随着厚度增加,均值和标准差减小;杨氏模量只影响概率密度均值,不影响标准差。对蒙特卡罗模拟仿真结果线性回归研究振膜参数的敏度。仿真结果表明,振膜参数设计值对敏度影响明显。当振膜参数确定时,半径敏度最大,厚度敏度次之,杨氏模量敏度最小。本文设计、制造圆形固支振膜MEMS麦克风,并进行灵敏度概率密度测试。振膜半径R=1 mm,厚度h=10μm,背腔高度d=1 mm,静电间隙g=30μm。振膜采用多晶硅,衬底为硅材料,绝缘层为氧化硅。制造10000只麦克风并测试灵敏度概率密度,测试与仿真结果误差小于2%。因此,本文提出的蒙特卡罗模拟分析方法精确、高效,可以有效代替传统的不确定性分析方法。为了进一步提高仿真效率,本文采用拉丁超立方蒙特卡罗模拟分析灵敏度不确定性。仿真结果表明,相同仿真精度时拉丁超立方蒙特卡洛模拟采样数仅为传统蒙特卡洛模拟采样数的11%。仿真时间分别为10秒钟和2分钟,仿真效率提高12倍。（3）提出新的灵敏度概率密度多目标优化算法。为了同时提高灵敏度概率密度均值和标准差,本文提出新的多目标优化算法。算法基于人工神经网络模型,结合蒙特卡罗模拟和非支配排序遗传算法。人工神经网络模型计算麦克风灵敏度,蒙特卡罗模拟仿真灵敏度概率密度,包括均值和标准差。非支配排序遗传算法是多目标优化的核心算法,迭代求解Pareto最优集。当振膜参数R=0.85 mm,h=8.01μm和E=171 GPa时,灵敏度概率密度为最优值,均值μ=1.026 nm/Pa,标准差σ=0.0527,产品良率为94.3%。相比于初始设计值,灵敏度提高8.8%,标准差降低7.5%,产品良率提高3.1%。因此,本文提出的灵敏度概率密度多目标优化算法准确、有效。总之,本文建立基于人工神经网络MEMS麦克风模型,并结合蒙特卡罗模拟分析麦克风灵敏度不确定性。设计、制造MEMS麦克风并测试灵敏度概率密度,仿真与测试结果对比表明基于人工神经网络模型的蒙特卡罗模拟分析灵敏度不确定性精确、高效。为了进一步提高仿真效率,采用拉丁超立方采样蒙特卡洛模拟进行灵敏度不确定性分析。本文还提出新的MEMS麦克风灵敏度概率密度多目标优化算法,优化后麦克风灵敏度和良率均有提高,表明优化算法准确、有效。