集成电路工艺制程十分复杂,在整个制造过程中会出现很多系统性工艺故障,及时地定位和解决这些故障能够保证集成电路的良品率和产品质量。不同的系统性工艺故障会在晶圆图上形成不同的故障图案,因此,可以通过对晶圆图故障图案（Wafer Map Defect Pattern,WMDP）进行分类来定位工艺故障。这也一直是学术界和工业界关注的一个热点,这种方式也被称为晶圆图故障图案识别（Wafer Map defect Pattern Recognition,WMPR）。基于卷积神经网络的晶圆图故障图案识别模型在识别能力上大幅度超过了基于人工设计特征的晶圆图故障图案识别模型。然而,随着摩尔定律、延续摩尔定律和超越摩尔定律的不断推进,工艺制程在持续更新,新的系统性工艺故障和晶圆图故障图案也会不断出现,训练样本的缺乏使得基于卷积神经网络的晶圆图故障图案识别模型难以扩展。针对这一问题,本文提出一种基于卷积神经网络和小样本学习的可扩展的晶圆图故障图案识别模型,并且在标杆数据集上进行了实验验证。本文的主要内容有:（1）系统地分析总结了晶圆图故障图案的特点,分析了目前流行的晶圆图故障图案识别方法的优缺点,总结了常见的针对晶圆图故障图案的人工设计特征。（2）针对晶圆图故障图案的特点,提出了一个用于晶圆图故障图案识别的卷积神经网络的设计原则,即加深卷积层的同时减少模型参数,并且按照这一原则设计了本文的卷积神经网络识别模型和特征提取网络CNN-ENet12.在标杆数据集上,CNN-ENet12达到了94.68%的平均召回率和93.84%的平均精确率,这一结果优于基于人工设计特征的模型和其它的卷积神经网络模型。（3）针对新类型故障图案训练样本缺乏导致的扩展难问题,提出了基于组合概率分布的可扩展晶圆图故障图案识别模型。在标杆数据集上的实验结果表明,该模型每扩展一种新类型故障图案,其整体性能下降2.52%～2.88%,在一定数量范围内,该模型可以实现较高质量的扩展,例如扩展一种新类型后该模型的平均F1可达92.28%,这一结果优于其它模型。本文提出的可扩展晶圆图故障图案识别模型有效利用了卷积神经网络提取晶圆图故障图案特征的能力,在实现对基础类型晶圆图故障图案（即有足够训练样本的那些晶圆图故障图案）的高性能识别的同时,可以实现在一定范围内高质量的扩展,相对于其它模型,该模型更加符合工业应用的实际需求。