良率是晶圆制造业非常重要的生产指标之一。晶圆测试中一些经典的缺陷类型在晶圆图中呈现圆、环、划线等基础图案,通过识别晶圆图中的主要图案有助于工程师追溯造成晶圆缺陷的根本原因。本研究针对快速、高效的分类晶圆图缺陷模式的问题,然而实际晶圆图数据集中某些类型数据的数量可能存在严重不足的现象。因此,本文使用深度卷积神经网络（DCNN）与迁移学习相结合的方法,实现对晶圆图9类缺陷模式的快速、有效分类。研究的主要工作如下:（1）针对手写体数字基本由一些曲线、圆等基础图案构成的特性,本文使用迁移学习方法将手写体数字图像分类领域的知识迁移至晶圆图缺陷模式分类领域。对原始晶圆图和原始手写题数字图像的尺寸大小进行预处理操作,使用最近邻插值法,将二者转换为224×224的尺寸,以保证晶圆图的特性,避免图像中出现新的像素值,并使手写体数字图像出现锯齿状,从视觉上与晶圆图更为相近。对原始晶圆图的像素值按照灰度变换公式将彩色晶圆图像转化为灰度图像。并在建模前,将预处理后的晶圆图数据和手写图数字图像数据按照五折交叉验证实验的数据集划分要求,划分成两组五折交叉验证数据集。（2）借鉴常用于手写体数字图像分类的Le Net-5网络特征学习部分的结构,构建2个DCNN分类模型,并结合本文提出的迁移学习框架,进一步提出两种方法:CP-DCNNs和Cf-CP-DCNNs。通过五折交叉验证实验的结果评判上述两种分类方法的效果。实验结果表明,所提两种方法在5次实验中的最高测试准确率分别为97.88%和98.13%。然后,通过与同结构的非迁移学习方法的晶圆图缺陷模式分类结果对比,本文提出的晶圆图缺陷模式分类方法CP-DCNNs和Cf-CP-DCNNs相较于相同DCNN分类模型的非迁移学习方法在分类的准确率和稳定性上都具有优势。（3）针对上述方法对部分晶圆图缺陷模式类型的数据分类结果可进一步提升的问题,提出了使用残差块对本文提出的DCNN模型进行优化,用残差块代替原DCNN网络最大池化层以前的卷积层部分,保留DCNN最大池化层,以实现对晶圆图缺陷模式数据更快速、有效的分类。然后结合本文提出的迁移学习框架,提出基于残差块优化DCNN与迁移学习的晶圆图缺陷模式分类方法。基于残差块优化DCNN与迁移学习的晶圆图缺陷模式分类方法在五折叠交叉实验中的最高测试准确率分别为98.92%和98.80%。而且,对比CP-DCNNs和Cf-CP-DCNNs方法的结果,优化后的方法能对更多缺陷模式类型的晶圆图进行更好的分类。最后,将本文优化后的方法与基于Googlenet或Resnet50或Densenet的三种迁移学习方法比较,本文优化后的方法在总体的微调时间上分别为上述三种常用迁移学习方法的1/13,1/19,1/32,在单张晶圆图上的微调时间上述本文的优化方法比三种常用迁移学习方法的分别快了0.0774秒、1.0365秒、1.7720秒。