随着集成电路制造技术的快速发展,晶圆的特征尺寸不断减小,造成更多微小的缺陷。晶圆表面的缺陷已经成为影响良率的主要障碍。如何精确自动检测晶圆的缺陷是一项复杂而有挑战性的工作。缺陷检测技术已经成为集成电路产业的关键技术。本文对晶圆表面缺陷检测技术做深入研究。本文采用图像处理技术和超分辨率技术相结合的方法检测晶圆的缺陷。图像处理主要包括图像滤波、特征提取和图像匹配等算法。超分辨率技术可以从一系列的低分辨率图像中获得高分辨率图像。本文具体的研究成果和结论有以下几点:首先,本文讨论了晶圆生产过程中缺陷的来源,根据缺陷的形态特征,可以将缺陷分为冗余物、晶体缺陷和机械损伤三种;分析了缺陷检测中影响精度的主要原因,例如光源的选择和光束的调制,选择波长更小的激光,使用光学干涉显微镜等。其次,将计算机视觉开源库(OpenCV)引入到算法的实现中来,大大提高了算法效率和系统可扩展性。使用OpenCV实现了对于晶圆图像的线性和中值滤波,中值滤波器比线性滤波器在图像细节上保留的更好,而且对滤除图像扫描噪声富有成效。通过Hough变换提取了晶圆的线状特征,通过Harris算法提取了晶圆的角点特征,并且提出了一种通过两个特征值限定范围的Harris改进方法。文中讨论了图像匹配的两种方式:基于灰度的图像匹配和基于特征的图像匹配。文中使用归一化自相关函数进行模板匹配;用SIFT算法做了基于特征的图像匹配演示,实验结果证明SIFT算法进行图像匹配是高效而且准确的。最后,引用超分辨率图像观测模型,针对图像降质的原因,分析了超分辨率复原和重建的基本思路。阐释了凸集投影算法和最大后验概率估计基本原理。实验结果证明,两种算法均取得良好效果。对于可靠的运动估计,凸集投影算法效果更好,降噪能力更强。