随着物联网时代的到来,海量数据存储受到了广泛关注,NAND闪存作为一种新型存储介质,它凭借容量大、数据吞吐率高、功耗低等优势被广泛应用于各种数据存储系统中,如固态硬盘（Solid State Disk,SSD）。闪存之所以成为非易失性存储器（Non-Volatile Memory,NVM）中的杰出代表,主要是因为存储芯片尺寸的减小以及多级闪存单元（Multi-Level-Cell,MLC）技术的发展,使得一个存储单元可以存储多个比特。随着存储单元间的距离不断缩小,闪存受到了严重的噪声和干扰,不仅降低了闪存系统的可靠性,也对闪存芯片的使用寿命提出了挑战。因此本文致力于设计和分析新的阈值电压检测方案来提高NAND闪存的可靠性,内容涉及了深度学习（Deep Learning）技术的引入、对数似然比信息（Log-Likelihood Ratios,LLR）的优化、读电压（Read Voltages）的优化、单元间干扰（Cell-toCell,CCI）消除方案的设计等。本文的主要研究工作如下:（1）在MLC闪存系统中,对阈值电压检测方案进行了研究。为了在闪存阈值电压分布未知的情况下获得准确的LLR信息,首先提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）检测算法,该算法通过训练CNN网络去预测每个阈值电压相对于四个电压状态区域的后验概率（A-Posteriori Probability）,从而得到译码器所需的LLR信息。此外,为了进一步提高LLR的精度,提出了利用电压区间的平均后验概率（Average A-Posteriori Probability）去更加精确的计算每个阈值电压区间对应的LLR。由于闪存的阈值电压会随着编程/擦除循环和数据滞留时间的变化而变化,因此需要不断更新读电压,以便于得到更加精确的LLR信息。基于这一目的本文提出了一种卷积神经网络辅助读电压优化（CNN-aided Read-Voltage Optimization）方案,主要是利用基于CNN的阈值电压检测算法得到的LLR,通过最大化码字及其对应LLR之间的互信息（Mutual Information,MI）来更新读电压。仿真结果表明所提出的基于CNN的检测算法和卷积神经网络辅助读电压优化方案在误码性能方面接近传统最优检测方案。（2）为了减轻单元间干扰给奇偶比特位线结构的MLC闪存带来的影响,本文提出了两种基于单元间干扰修正的后补偿检测方案,称为垂直和对角方向修正（Vertical-and-Diagonal Direction Correction,VDDC）检测和全方向修正（AllDirection Correction,ADC）检测。该检测方案的基本思想是利用修正因子（Correction Factors）来优化不准确的单元间干扰强度且避免高的计算复杂度,再利用后补偿技术来更准确的消除单元间干扰。仿真结果表明所提出的VDDC和ADC方案能够有效的消除单元间干扰所带来的错误,且具有较低的复杂度。