随着大数据、5G、云存储和物联网等技术的发展,移动终端产生的数据量飞速增长,促使存储业务的性能要求不断提高,传统HDD(Hard Disk Drive)存储设备已无法满足高读写速度、低延迟的存储需求。闪存凭借其自身读写速度快、非易失和抗震性能强等优点逐渐成为消费市场和数据中心的主流存储设备。然而,相较于HDD存储,闪存低容量和高价格的缺点,成为阻碍闪存全面取代HDD的主要原因。闪存生产商为了在降低生产成本的同时提高存储容量,采用了多位存储和三维堆叠等多种方法来提高位密度。不幸的是,随着位闪存密度的提升,其可靠性问题也愈发严重。为了更深入研究闪存可靠性问题的成因及解决方案,本文对不同状态下的阈值电压分布进行获取并精确建模,它将指导我们进一步认识各种错误的成因,也可为纠错算法的适配及优化提供理论和数据支持。闪存芯片的阈值电压分布会受到闪存块编程/擦除(P/E,Program and Erase)循环次数、数据驻留时间和编程干扰等因素的影响。为了探究他们的相互关系,我们研制了一款支持3D闪存测试的实验平台。该平台可实现3D闪存芯片的读、写、擦等基本操作,并可以通过设置特征地址接口,对闪存的读参考电压进行定向和定量的偏移。本文利用实验平台和闪存的物理特性,提出了一种基于被迫害页的阈值电压获取方法。利用该方法,我们从编程顺序、干扰字线的位置和干扰字线内存在的不同数据干扰三个方面探究了编程干扰对阈值电压分布的影响。此外,我们还对芯片进行了大量的磨损和高温加速驻留实验,获取不同驻留时间和P/E周期次数下的阈值电压分布数据。然后分别利用多项式法和BP神经网络法对每个逻辑状态的阈值电压分布随着驻留时间和P/E周期次数的变化关系进行了建模,并对模型的预测性能进行对比评估。最后分别利用两种模型,进行了读参考电压校准,并对比了校准后的读参考电压对闪存可靠性的优化效果。两种模型的测试结果表明,本文建立的BP神经网络模型能够以较高的精度预测不同状态下闪存块的阈值电压分布;分别利用两种模型优化读参考电压都能有效降低闪存错误率。而BP神经网络的优化效果更为出众,尤其是对严重磨损块的优化,最高可以使位错误率下降68.7%。