芯片是现代电子产品的核心元件,随着消费者对电子产品需求的增长,能降低芯片制造成本的晶圆级封装成为制造现代电子产品中必不可少的技术之一。然而,晶圆在经历热固化、热回流等过程后易在内部积累较大的应力,宏观上表现为晶圆翘曲,严重的晶圆翘曲变形会带来界面分层、焊点断裂、裂片等诸多影响电子产品质量和可靠性的问题。针对晶圆在封装工艺中的翘曲测量问题,本文采用高精度分布式光纤传感技术,开展晶圆翘曲变形监测研究,研究光纤传感器的布设和晶圆翘曲形态识别,旨在发展晶圆翘曲在线测量方法。论文的主要研究内容如下:首先,综述了晶圆翘曲测量方法的研究现状,介绍了分布式光纤传感器的空间定位与应变传感原理,确定了表贴式的分布式光纤传感器安装方式,建立了分布式光纤传感器的应变传递模型,并推导了分布式光纤传感器的应变传递率解析式。在此基础上,分析了光纤传感单元粘结层的宽度、厚度、剪切模量以及粘贴长度四种因素对分布式光纤传感器应变传递率的影响,用于优化基于分布式光纤的翘曲变形监测。其次,根据晶圆翘曲时关于圆心对称的变形特征,基于直径扫描的方式获取晶圆翘曲变形时的应变数据,研究了基于Ko理论,基于二维平面坐标变换以及基于翘曲曲率转换的三种晶圆翘曲变形重构方法。通过建立半晶圆有限元仿真模型以及搭建晶圆翘曲变形监测系统,验证了基于Ko理论和基于翘曲曲率转换的晶圆翘曲变形重构算法的准确性与可行性。并在此基础上,基于滑动平均和统计模拟的方法,研究了分布式光纤传感器空间分辨率因素和不同空间分辨率下数据噪声因素对翘曲变形重构结果的影响,获取了8英寸晶圆翘曲监测场合下的最优分布式光纤传感器空间分辨率参数。最后,研究了基于深度神经网络的晶圆翘曲形态识别方法。通过有限元仿真获取了晶圆在凹形、凸形、复杂形三种翘曲形态及不同幅值下共计56组的原始特征数据,基于随机重采样的方法对原始数据集进行扩充与增强,增强扩充后的翘曲特征数据共有560组。之后,基于Pytorch深度学习框架建立了6层神经网络模型,通过该模型学习晶圆在不同翘曲形态下的特征数据,实现了对晶圆翘曲形态的准确识别。