随着社会经济的不断发展,功率器件的结构复杂度日益提升,各种终端技术也被引入进行器件性能的优化与改进。但随之而来的是器件性能评估难度的增大。目前,性能评估主要依赖于以计算机辅助设计（Technology Computer Aided Design,TCAD）为核心的仿真工具,但是其存在仿真时间长、算力消耗大、仿真收敛性差等问题。同时,功率器件技术的高速迭代对器件设计效率也有了更高的要求。因而如何实现器件的高效性能预测和结构设计成为了亟待解决的问题。近年来,由于机器学习技术爆发式发展,通过机器学习算法实现器件性能预测及自动化设计得到了广泛的关注和研究。本文以绝缘体上硅（Silicon on Insulator,SOI）横向双扩散金属氧化物半导体（Lateral Double-Diffusion Metal Oxide Semiconductor,LDMOS）为出发点,使用深度神经网络（Deep Neural Network,DNN）算法,对采用不同终端技术的SOI LDMOS的击穿电压（Breakdown Voltage,BV）和比导通电阻(Specific on-resistance,Ron,sp)进行了预测以及对降低表面电场（REduced SURface Field,RESURF）SOI LDMOS的最优漂移区浓度设计进行了研究,主要工作如下:（1）提出了基于深度神经网络的场板SOI LDMOS击穿电压和比导通电阻预测方法。收集了场板SOI LDMOS不同结构参数下的击穿电压和比导通电阻数据。利用收集的数据,通过深度神经网络算法,分别建立了基于击穿位置的击穿电压双阶段预测模型和比导通电阻预测模型。研究结果表明,相比于传统TCAD仿真,该方法对于三类击穿位置预测准确率为96.89%,三类击穿位置下击穿电压预测误差分别为4.72%、3.38%以及7.09%,比导通电阻预测误差为2.55%,击穿电压预测速度提升1.25×10~5倍。针对采用终端结构的器件性能预测方面,该方法相比于传统数值仿真工具,在保证预测准确率的同时缩短了预测时间,更重要的是避免了数值仿真工具存在的收敛性差的问题。（2）提出了基于深度神经网络的阶梯掺杂漂移区SOI LDMOS击穿电压和比导通电阻预测方法。收集了阶梯掺杂漂移区SOI LDMOS不同结构参数下的击穿电压和比导通电阻数据。利用收集的数据,通过深度神经网络算法,分别建立了击穿电压和比导通电阻预测模型。研究结果表明,相比于传统TCAD仿真,击穿电压预测误差为3.75%,比导通电阻预测误差为3.65%,击穿电压预测速度提升8.98×10~4倍,有效提高了阶梯掺杂漂移区SOI LDMOS性能预测效率。（3）提出了基于深度神经网络的SOI LDMOS最优漂移区浓度以及最优漂移区浓度下击穿电压预测方法。收集了SOI LDMOS不同结构参数下最优漂移区浓度以及最优漂移区浓度下击穿电压数据。利用收集的数据,通过深度神经网络算法,分别建立了最优漂移区浓度以及最优漂移区浓度下击穿电压预测模型。研究结果表明,最优漂移区浓度预测误差为4.01%,最优漂移区浓度下击穿电压预测误差为1.56%。在对SOI LDMOS漂移区浓度设计时,该方法可以有效避免复杂的人工参数调整过程,提升器件结构设计效率。