集成电路（Integrated Circuit,IC）制造是一个高度复杂的加工过程,会直接影响最终集成电路产品的成品率,对产品的利润有着十分重要的影响。随着集成电路的特征尺寸不断缩小,制造过程中的工艺波动增大,会造成成品率下降。集成电路产品的电特性参数可以反映制造工艺的稳定性,所以如何更加高效地捕获集成电路产品的电特性参数变化并能够对IC制造过程进行更加精确的控制是保证集成电路产品成品率的关键一步。晶圆允收测试（Wafer Acceptance Test,WAT）是集成电路制造中一个重要的测试项目,是对集成电路电特性参数进行捕获的一种方式。其主要是测试晶圆上器件的电特性,获得集成电路电参数在晶圆平面空间上的波动情况,以更好地对IC制造工艺进行控制。通常来说,对晶圆上的所有结构均进行测试,会使得测试的数量过多,测试成本较高,于是在实际中会采用稀疏采样（Sparse Sampling）后预测的方法。利用采样-预测的方法减少测试数,能够实现低测试成本的晶圆上的参数变化捕获,但同时存在一定的测试误差。本文围绕可寻址测试芯片特殊的结构,利用高斯过程回归方法对适用可寻址测试芯片的稀疏采样和参数预测模型进行了研究和探索,提出了一种适合可寻址WAT的参数测试结果预测方法。论文的主要研究如下:（1）分析了可寻址WAT芯片的特殊结构,调研了目前主流的稀疏采样预测的方法,对目前主流方法适用在可寻址芯片上的局限性进行了说明:在可寻址测试芯片的晶圆上,每个测试阵列（即测试芯片）中存在密度更高的测试结构,进行电特性参数分布捕获时必须考虑测试芯片内的参数变化,而目前的主流方法仅仅在整个晶圆的层面上分析参数变化。（2）本文提出了一种适用于可寻址WAT的预测模型——双分量预测模型（Dual Component Prediction Model,DCPM）。利用高斯过程回归方法,分别在芯片间和芯片内这两个部分单独进行稀疏采样和模型建立,最后将芯片间和芯片内的两个模型整合后,得到晶圆上参数分布的建模。利用真实的可寻址WAT数据集进行实验,以模型的预测平均误差的大小进行评估,在相同采样数的情况下,双分量预测模型方法的预测结果平均误差只有其他方法的25%,能够很大程度上提高模型预测的准确性,体现了双分量预测模型的有效性。（3）为了高效进行模型训练,本文提出了一种结合随机性和覆盖率的稀疏采样方法——区域随机采样（Partition Random Sampling,PRS）。先在晶圆上进行尽可能相同的区域划分,然后在每个区域中进行随机采样。区域随机采样能够在不失去随机性的情况下,保证稀疏采样点在晶圆上均匀分布,保证采样数据的代表性。通过模拟实验,利用该采样方法后预测的方法能够在相同数据集上,得到更加准确的预测结果。本文通过实验证明,在真实的可寻址WAT数据集上应用区域随机采样方法和双分量预测模型,进行稀疏采样后预测晶圆上电特性参数,较之前主流方法中的整体高斯过程回归模型的方法有着更好的表现。