摘要：晶圆缺陷是指在晶圆制造过程中,因氧化温度不均、蚀刻问题等异常造成的晶粒功能异常。随着芯片产业的发展,制造工艺向更先进制程迈进,所实现的集成电路的规模和复杂度也日益增加。这使得晶圆的制造工艺更加复杂,晶圆缺陷出现的概率和种类也随之增加。为了提高生产良率,改善工艺制程,识别出缺陷模式并找出对应的工艺问题至关重要。传统的缺陷识别主要依赖于人工设计的特征提取方法,需要有专业的知识及复杂的调试过程。近年来,基于机器学习的识别方法在识别晶圆模式缺陷上取得了一定进展,不少方法识别单一缺陷的精度达到95%以上,也拥有精确识别混合缺陷的能力。然而,带标记晶圆图数据缺乏、样本数据不平衡、新缺陷模式的出现都是其发展路上的挑战。本文总结了几十年来基于机器学习的晶圆图缺陷模式识别方法,从浅层学习和深度学习两个方面介绍了前人的工作。同时针对晶圆识别问题中严重的样本数据不平衡问题,本文重点总结了现有用于解决晶圆图样本数据不平衡问题的方法。根据当前晶圆图缺陷模式识别的产业需求和现状分析,更稳定、更精确的基于半监督或自监督深度学习的识别方法以及获取更高质量数据集的数据增强方法必将成为未来发展主流。