先进工艺下，工艺误差对芯片良率的影响越来越明显，模拟电路的快速良率分析方法成为研究热点之一。传统良率分析方法难以解决模拟电路良率分析问题：蒙特卡洛方法需要仿真次数过多，影响整体设计开发周期；重要性采样方法在构建采样分布后很难改变或更新采样分布，难以适应模拟电路特性；替代模型方法无法控制模型拟合误差，难以评估分析结果的准确性。因此，面向多性能指标的模拟电路，设计新型良率分析方法具有重要的研究价值。
　　本文将替代模型方法与重要性采样方法结合，针对多性能指标模拟电路的快速良率分析问题，提出了动态高斯过程采样良率分析方法（Gaussian process Meta-model based Importance Sampling，GMIS）。GMIS方法首先建立高斯过程替代模型，拟合目标电路的输入输出映射关系；然后构建基于替代模型的准最优采样分布，从而准确定位失效区域，提高获取失效样本的效率；最后实现并行耦合马尔可夫链蒙特卡洛采样，从全局准最优采样分布中获取样本。GMIS方法还设计了动态优化框架，能够动态更新模型的训练集，迭代修正模型预测结果，实现模型精度的持续提升。本文通过理论推导证明了动态优化框架可以有效减少估计方差，提升算法效率。
　　本文在电荷泵、二级跨导放大器和四级压控环形振荡器三种模拟电路进行仿真实验验证。对于结构较简单的电荷泵电路，GMIS分析结果相对误差为2.86%，相比蒙特卡洛结果加速133倍。在具有四个性能指标的二级跨导放大器上，GMIS相对于同类良率分析算法分别加速5倍和27倍，同时相对误差仅为6.7%。最后在有120个工艺参数的四级压控环形振荡器上，GMIS方法相比蒙特卡洛方法可以加速125倍，相对误差仅3.7%。结合空间探索算法，GMIS算法可以进一步推广为良率优化算法，自动寻找到良率最高的设计参数组合，帮助设计人员快速得到稳定的模拟电路设计。