半导体行业是信息化时代的核心产业,晶圆制造作为其中的关键环节,在半导体行业的发展中起到关键的作用。晶圆图是在晶圆测试阶段对晶粒进行检测并标记,形成的具有一定空间图案的图像。通过对晶圆图的空间图案进行分析和归类,可以找出晶圆缺陷产生的原因,从而提高晶圆的生产良率。然而,随着晶圆尺寸增大、线宽变小,导致出现混合缺陷模式晶圆图的机率增加,且混合缺陷模式晶圆图相较于单一缺陷模式晶圆图更加难以识别分类。因此,本文基于多路径深度卷积神经网络（DCNN）结构对混合缺陷模式晶圆图进行识别分类研究。研究的主要内容如下:（1）针对混合缺陷模式晶圆图的预处理问题,提出了一种基于聚类思想的邻域路径滤波算法。该算法在晶圆图缺陷点的邻域范围内扩展聚类,采用轮廓系数和马氏距离的综合指标来确定晶圆图的聚类簇数量,结合紧凑度指标、聚类簇之间的距离以及聚类簇与晶圆图中心的半径关系设计的综合指标,作为聚类簇之间是否合并的依据。邻域路径滤波算法相比于常见算法不需要确认缺陷点是否是核心点以及是否需要继续扩展聚类,而仍然可以获取任意形状的簇。从滤波效果、聚类效果和无限高斯混合翘曲效果的角度,与现有的滤波和聚类方法进行了对比,实验结果一致表明本文邻域路径滤波算法的效果更优。（2）针对常规深度卷积神经网络提取的特征有限的问题,本文从增加深度卷积神经网络宽度的角度出发,提出了多路径DCNN结构。根据不同路径的连接位置,以及从不同路径的卷积层获取的不同大小的特征图,提出了三种同尺度多路径DCNN结构和三种多尺度多路径DCNN结构。实验结果表明,本文所提的多路径DCNN结构具有比现有分类方法更优的性能和更高的分类准确率,同尺度多路径DCNN的最高准确率达到了95.13%,多尺度多路径DCNN的最高准确率达到了96.86%。（3）针对多路径DCNN结构在部分晶圆图缺陷模式类型的分类效果可进一步改善的问题,提出结合集成学习的方法。首先,结合加权投票的集成方法,提出了基于多路径DCNN结构的集成模型。实验结果表明,多路径DCNN集成模型在混合缺陷模式晶圆图的分类效果优于多路径DCNN模型直接分类的效果。其次,在集成学习的思想上结合预处理后的晶圆图,提出了多输入多路径DCNN集成模型,整体分类效果也在逐步提升。最后,从多路径DCNN模型中提取全连接层特征,结合纠错输出编码（ECOC,Error Correcting Output Codes）分类器,提出了多输入多路径DCNN-ECOC集成模型。实验结果表明,采用多输入结合集成学习和ECOC的方法取得了更优的分类效果,最高分类准确率达到了99.29%。最后,针对晶圆图分类的实际需求,本文根据已有算法和分类模型,构建了一个混合缺陷模式晶圆图识别分类系统。该系统包括晶圆图邻域路径滤波模块、晶圆图分类测试模块和历史记录查询模块。本文构建的混合缺陷模式晶圆图识别分类系统可以辅助检测人员,查看可能存在的潜在缺陷类型图案,快速的对晶圆图缺陷模式类型进行判断,对于提高晶圆生产良率和促进企业发展具有重要参考意义。