随着微电子制造技术的发展,半导体制造呈现出规模极大化和工艺尺寸微小化的发展趋势。即使现在的晶圆生产中已拥有了高自动化的生产流程、高精密度的生产设备和先进的生产技术,晶圆出现异常的情况仍然在所难免。半导体生产过程中的异常情况会降低晶圆产品的良率,提高生产成本。后期分析成为提高晶圆良率的必要手段。对晶圆图进行识别可获取追溯晶圆生产过程中出现异常情况的信息。随着现代计算能力的迅猛提升,将基于机器学习的自动检测方法运用于半导体生产的潮流势不可挡。本论文针对实际大规模工业数据集WM-811K中8种常见缺陷模式类型晶圆图的识别分类方法进行研究,主要方法和内容如下:1.研究了基于自动寻优DBSCAN的晶圆图预处理方法。晶圆图除了本身具有的空间图案以外,还存在着很多的噪声会影响区分晶圆图的缺陷类型,因此需要对晶圆图进行预处理。传统的DBSCAN算法需要人为确定两个聚类参数,参数的选择很容易影响聚类效果,本文提出了一种自动寻找最优参数的DBSCAN算法——SA-DBSCAN,通过K-平均最近邻算法和数学期望法获取参数列表,选取DBSCAN聚类后的簇内密度参数和簇间密度参数的综合参数作为评价指标来选取最优参数,最后通过保留最大聚类簇、增加特征点和特征簇获取最终的SA-DBSCAN图。实验结果表明,该算法能自动并合理的选择较好的参数,具有很好的聚类效果,相比传统固定参数DBSCAN,使用SA-DBSCAN图分类准确率高。2.研究晶圆图的特征提取和支持向量机分类。本文从SA-DBSCAN图中提取了67维特征,包括22维密度特征、5维几何特征和40维Radon特征,对这67维特征分别使用28个传统SVM分类器（One VS One）、36个传统SVM分类器（28个One VS One和8个One VS Others）和纠错输出编码SVM（ECOC-SVM）分类器三种方法进行晶圆图缺陷模式识别分类研究。其中,ECOC-SVM分类器的准确率为85.3%,高于28个分类器和36个分类器的准确率,也高于WM-811K数据集提供者的SVM分类准确率5.7%。3.构建深度卷积神经网络（DCNN）模型。提出了两种不同深度的DCNN模型,26层Pyramid型DCNN模型一共包含四个卷积处理块,在第一个卷积处理块使用连续三个卷积层和池化层,第二个卷积处理块使用连续两个卷积层和池化层,可以迅速降低晶圆图特征图的大小,加快网络训练速度;28层Pyramid型DCNN模型一共包含五个卷积处理块,在前两个卷积处理块均采用连续两个卷积层和池化层,目的是提高网络训练速度的同时,保证分类结果的准确率。所提两种网络的分类结果与经典卷积神经网络Le Net和其他文章中的DCNN模型对比发现,本文所提两种DCNN模型均具有较高的准确度。其中,26层Pyramid型DCNN模型的准确率为93.2%;28层Pyramid型DCNN模型的准确率为93.6%。4.构建基于DCNN特征提取与多种分类器的组合分类模型。DCNN模型可以自动识别提取晶圆图的特征,对比DCNN模型的分类结果与经DCNN模型自行特征提取后再使用ECOC-SVM、KNN和Decision Tree分类器的分类结果可知,使用上述三种分类器对从DCNN模型全连接层导出特征进行分类的准确率较高。其中,ECOC作为一种多分类器,本身具有纠错能力,能减少方差和偏差,具有高分类准确率。因此,利用ECOC-SVM分类器对全连接层导出特征进行分类时的分类准确率最好,使用26层Pyramid型DCNN模型的准确率为95.7%,使用28层Pyramid型DCNN模型的准确率为95.8%。5.研究融合多源数据特征与组合DCNN模型相结合的分类方法。使用多源数据从晶圆图的不同衍生图像中丰富晶圆图特征,使特征中包含更多晶圆图特性。借鉴双目立体视觉理念,以所提的两种DCNN模型为“双目”,不同DCNN模型能从不同角度获取图像的不同特征。本文以原图及其衍生的Auto-DBSCAN图和SA-DBSCAN图为多源数据进行特征提取,对多源数据对应三组特征分别取最大值、最小值、平均值和直接拼接的处理结果表明,取多源数据特征平均值或直接拼接时的处理效果较好。在此基础上,结合所提两种DCNN模型的特征进行二次处理并分类,此时多源数据平均值特征展现了更大优势,取两组多源数据平均值特征最小值时分类准确率为96.3%、取最大值、平均值和直接拼接时的分类准确率均为96.4%。综上,本文使用多源数据结合组合DCNN模型分类方法的平均准确率为96.4%。