随着摩尔定律的不断推进,集成电路的特征尺寸在不断缩小。当工艺节点小于100nm时,现有的光刻技术会明显受到光学邻近效应、刻线边缘粗糙度等因素的影响,使掩模版图案与转移到光刻胶上的图形有较大差异。这些偏差有可能会引起晶圆中存在缺陷。为保证晶圆制造的良率,通常采用一些方法对光刻后的扫描电镜(Scanning Electron Microscope,SEM)图像做分析,找出晶圆表面的缺陷。然而,获得大量实际的SEM图像并不简单,用于验证和比较的真实数据集非常有限。因此现有的晶圆缺陷检测算法很多都是基于模拟晶圆数据进行测试的。本文根据某晶圆厂的实际需求,尝试使用其提供的先进工艺SEM图像以及电路版图,生成更多有效的SEM图像。在后续流程中,研究人员可以直接使用这些图像,也可以对其稍加修改后使用。具体内容如下:1)提出了一种基于pix2pix网络的深度学习方法来生成晶圆SEM图像。首先,结合晶圆厂提供的SEM图像特征,设计了一种模式识别算法,用于从芯片版图中搜索一组SEM图像的多边形图案。其次,利用收集到的版图-SEM图数据集,训练生成对抗网络模型。实验表明,该方法合成的图像可以较好地模拟出SEM图的背景噪声、刻线边缘粗糙度和二次电子数目在晶圆表面的变化。2)针对通用图像生成方法生成的SEM图像分辨率不足的问题,本文提出基于条件式生成对抗网络的晶圆SEM图像专用生成模型。该方法首先利用Sobel算子计算出图像梯度信息,并作为引导加入判别器,之后使用了两个不同感受野的判别器网络来判别不同分辨率的图像。使用Wasserstein距离,同时结合了平滑L1损失函数来加速网络收敛。实验结果表明,相比目前主流的图像生成算法,本文算法生成的SEM图像精度更高。使用1-NN分类器评估算法,本文算法得分提高了0.3。