金属氧化物薄膜晶体管(Metal Oxide Thin Film Transistor,MOTFT)以其高迁移率、均匀性好等优势,在数字电路领域应用潜力巨大,其应用范围已从显示面板电路扩大至柔性电路板上系统(System On Panel,SOP)等。如今,金属氧化物薄膜晶体管仍处于新兴阶段,器件建模方法研究一直是该领域重要发展方向。物理模型开发周期长且需要设置太多物理参数,表格模型需要大量的数据,且精度受限于测量噪声与插值算法。因此,为了快速将新产生的器件数据集成到电路仿真中,采用面向数据的新型建模方法,达到快速建模和电路仿真的目的具有重要意义。人工神经网络(Artificial Neural Network,ANN)作为通用逼近器,可在短时间内建立精度高、泛化性好的神经网络模型。因此,本文将群智能优化算法与人工神经网络相结合,达到快速建立可用于电路仿真的MOTFT模型的目的。本文首先测量了不同宽长比的氧化铟锌(Indium Zinc Oxide,IZO)薄膜晶体管的IV曲线,利用该数据建立了神经网络模型,并使用有限内存的BroydenFletcher-Goldfarb-Shanno(Limited Memory Broyden-Fletcher-Goldfarb-Shanno,LBFGS)算法作为神经网络的优化器用于更新神经网络权值、阈值。针对L-BFGS作为优化器的神经网络过分依赖初始权值的问题,本文提出了基于粒子群优化算法(Particle Swarm Optimization,PSO)和神经网络的混合算法,并针对PSO提出了一种粒子变异机制,进一步提高了粒子的全局搜索能力与收敛速度。结果表明该混合算法具有L-BFGS算法的快速拟合和PSO全局搜索能力的优势。随后利用Verilog-A编程语言编写了MOTFT器件的仿真程序并将该模型嵌入Cadence仿真工具中。本文对各类反相电路进行了静态仿真,并与实测结果进行了对比,仿真结果表明该模型拥有良好的性能。接着利用神经网络和电容数据训练了可用于动态仿真的模型,并用基本反相器和一个驱动电路进行了动态仿真,预测值与测试值的良好一致性证实了本文的混合建模方法可以用于MOTFT的模型和电路仿真中。