随着集成电路的广泛应用和日益发展,芯片的集成度越来越高,集成电路生产工艺也日渐复杂,可能在芯片生产过程中出现各种不同的系统性工艺故障,从而在晶圆针测图上形成不同的故障图案。晶圆图故障图案（Wafer Map Defect Pattern,WMDP）为工程师检测半导体制造过程中的故障根本原因提供了重要线索,因此晶圆图故障图案识别（Wafer Map Defect Pattern Recognition,WMPR）对于提高集成电路制造的良率和可靠性至关重要。基于卷积神经网络的深度学习技术在晶圆图故障图案识别领域上展现了很好的分类性能,达到了较高的平均识别准确率。然而对于较少发生的晶圆图故障类型来说,训练样本的缺乏导致其分类性能往往低于其他故障类别,从而使一般的识别模型对这种特定类别产生更多的误分类现象。针对这一问题,本文提出了一种基于生成对抗网络数据增强的晶圆图故障图案识别模型;另外,集成电路生产工艺的复杂性也往往会导致一些半导体厂商资料集中未收录的新型晶圆图故障图案类型的出现,从而由于训练集中这种新型类型样本的缺失而导致无法进行数据增强。针对这一问题本文也提出了一种基于生成模型的晶圆图故障图案零样本扩展模型,并在标杆数据集上进行了实验验证。本文的主要工作如下:（1）根据晶圆图故障图案本身的特点,结合神经网络的c-value约束条件及卷积层感受野大小与其学习能力的关系,本文提出了在进行具体分类模型结构设计时应该遵循的各种原则,并基于此实现了晶圆图故障图案卷积神经网络识别模型CNN-Net-8,其平均F1可达到93.0%。实验结果也证明其分类性能优于基于传统机器学习方法和其他卷积神经网络的模型,且因为其体量较小,参数量较少的特点更适合于在测试机等资源受限的设备上进行部署来实现在线分析。（2）针对某些晶圆图故障图案类型样本量较少导致的数据集不平衡问题,本文结合LSGAN理论及深度残差网络思想,基于循环一致性对抗网络提出了用于高效生成逼真的晶圆图少数类样本从而平衡数据集的晶圆图故障图案数据增强模型Cycle Gan-WMG,实验结果表明该模型使得两种少数类样本类型的分类F1值相较于数据增强前分别提高了5.5%和7.2%,且其晶圆图故障图案样本生成效果显著优于基于合成少数过采样技术和基于晶圆图旋转不变性的数据增强算法。（3）针对晶圆图故障图案数据集中某些类别样本量完全缺失或者半导体厂商资料集中未收录而无法进行数据增强的问题,本文提出了零样本学习的解决方案,并在人工设计了13维的晶圆图语义属性基础上,分别提出了基于语义空间嵌入的晶圆图故障图案零样本扩展模型SPSCOS-WM与基于GAN生成模型的零样本扩展模型CPSf GAN-WM。实验结果表明CPSf GAN-WM模型能够在训练集中缺失Donut和Loc类型样本的情况下,实现对两种类型的82.8%的平均识别准确率,在广义零样本学习测试条件下实现53.1%的平均识别准确率,其零样本扩展能力要远优于基于空间嵌入的其他模型,更加符合实际应用的需求。