近年来,硬件木马的出现,成为信息安全领域密切关注的新兴安全问题。本文首先综述了硬件木马的研究背景以及硬件木马检测工作的研究现状。然后,本文开展了三项创新性研究工作,研究内容及主要贡献如下:1)基于协同训练的免参考芯片硬件木马检测方法本文提出了基于协同训练的免参考芯片硬件木马检测方法。所提方法采用协同训练的方法从不准确的仿真模型和无标签的待测生产芯片构建精确的检测方法。所提方法首先使用电路设计的仿真信息训练两个分类算法。在测试阶段,训练的分类器对实际生产的芯片进行检测并添加检测标签。紧接着,两个分类器分别从待测芯片集中筛选出符合要求的芯片,添加标签并加入另一个分类器的训练集以进一步训练另一个分类器。经过几次迭代,所提方法能够得到稳定提升的检测结果。为克服工艺偏差和噪声,本文采用偏最小二乘法对实测数据进行信号处理。实验结果表明,所提方法能够以较高的检测精度和硬件木马检测率检测出未知的硬件木马。2)基于聚类分析的免参考模型硬件木马检测方法本文提出了基于聚类分析的免参考模型硬件木马检测方法,并将免参考模型的硬件木马检测问题建模为两种检测模型:划分检测模型和异常检测模型。本文还提出了基于互信息的聚簇标记指数来确定聚类分簇的标签信息。实验结果表明,所提方法在无参考模型的困难硬件木马检测场景中能够得到良好的检测结果。3)抗不可信测试方的新型聚类集成硬件木马检测方法本文首次考虑到测试方不可信的问题,并提出了两类测试方攻击模型及一种对抗性测试数据修改方法。然后,本文提出了基于聚类集成的硬件木马检测方法来对抗不可信测试方。在测试阶段,每个测试方获得待检测芯片的基本检测结果。然后,采用所提出的混合聚类集成方法整合每个测试方的基本检测结果并获得最终的集成检测结果。为克服工艺偏差和噪声,本文采用基于无监督相关性的特征选择方法对检测芯片的实测数据进行信号处理。此外,本文对以下关键问题进行了理论分析:必要的测试方数量、所提方法的时间开销和计算开销、如何采用提出的多样性分析方法选择基础聚类算法、聚类集成方法优于多数投票方法的原因。实验结果表明,所提方法能够鲁棒地抵抗不可信测试方的恶意修改,并且能够高精度地检测出硬件木马。