光谱椭偏数据分析是基于模型的分析方法,建立光学模型模拟被测样品,通过比较椭偏测量数据和模型生成的数据,对模型参数进行迭代优化,直至两者匹配较好。光谱椭偏数据分析的关键在于构建光学模型,使得光学模型能够表征实际样品。建立光学模型中最重要的部分是构建材料的介电函数模型,对于有吸收性的材料,其介电函数模型比较复杂,通常是由几种通用振子模型在不同波长上的叠加组成。现有的椭偏数据分析方法依赖于操作人员,需要人为选择振子组合类型及振子参数,而操作人员能够建立准确的光学模型需要其对不同振子模型的特性理解、对很多种材料特性的熟悉和有足够的经验。本文围绕椭偏数据分析这一主题,结合传统的椭偏数据分析方法,首次提出一种基于神经网络的介电函数模型构建方法。主要内容及创新点包含几个方面。1)基于传统的椭偏数据分析流程,把介电函数模型的构建分解为分类和回归问题,提出智能构建材料介电函数模型的方案,将椭偏数据分析流程标准化、智能化。2)针对振子分类和回归问题,设计了卷积神经网络,使网络能够区分几种类型的振子并回归振子模型的参数。针对网络优化,采用权重初始化、正则化、加深网络层数等优化方法,提高网络的泛化能力。3)把本研究所提出的方法应用到实际样品的数据分析中,结合分类和回归网络,无需人为干预,实现对介电函数模型中振子个数、种类及参数的确定,使用几个典型的实例说明此方法是可行的且实际效果较佳。