硅晶圆是生产半导体芯片的基础材料。在硅晶圆加工成半导体芯片的过程中,光刻、抛光、刻蚀、切割等工艺难免会导致晶圆表面出现各种类型的缺陷。目前,国内大部分企业使用扫描电子显微镜获取晶圆图像,通过人工肉眼核查的方式检查出其中缺陷晶粒,效率缓慢且准确率不高。所以,研究快速而精准的缺陷晶粒识别和分类方法,将人工从繁琐的核查工作中解放出来十分重要且具有挑战性。基于深度学习的图像分类方法对于解决晶圆缺陷检测问题有着独特的优势。然而,由于卷积神经网络模型的识别精度与模型的深度和复杂度息息相关,将经典的图像分类模型应用于晶粒缺陷检测任务时,检测效率低下且占用大量运行和内存资源。因此,本文致力于解决芯片生产实际中的晶粒类型识别问题,充分权衡卷积神经网络模型检测速度、检测精度、模型大小等性能指标,寻求适用于晶圆缺陷检测系统的高效缺陷检测算法,展开工作如下:（1）.提出了一种从完整的晶圆图像中提取其所有晶粒图像的分割方法。该方法使用开运算消除图像背景噪声干扰,借助Find Contours函数提取所有矩形轮廓,并根据晶粒的实际像素区域大小,将不符合宽、高尺寸的轮廓剔除。最后,依据保留下的轮廓的坐标信息,从原始晶圆图像中裁剪得到了所有的晶粒图像。对于每张晶粒图像,使用其在原始晶圆图像中的像素坐标对其命名标记。经多次验证,通过该方法提取的晶粒图像个数与实际晶圆片中包含的晶粒个数完全一致,实现了晶粒图像的精准分割提取。（2）.为了精准检测晶粒质量,识别其缺陷类型,依据分割多张晶圆获得的晶粒图像,组建了晶粒图像数据集。针对部分类别晶粒数据分布不均衡问题,使用仿射变换和生成对抗网络两种图像生成方法,完成了数据扩充。（3）.提出了一种改进分类网络模型:快速晶粒分类网络WDD-Net。具体而言,WDD-Net设计了深度可分离卷积和1*1标准卷积混合累加的卷积结构;为了降低参数量,放弃全连接层的使用,改用全局平均池化层;为了提高网络对晶粒污点、划痕等缺陷特征信息的关注程度,放弃最大池化层的使用,改用平均池化层。在晶粒图像数据集上,与轻量化模型Mobile Net-v2相比,WDD-Net的检测精度略有降低（0.71%）,检测速度提升了26.35%,模型大小仅为307KB。（4）.提出了一种多尺度门控注意力机制MGA和一种引入MGA的分类网络模型VAR-Net。MGA在CNN主干道上引出多个尺度的分支通道,对不同分支通道的特征图分别计算其多头注意力,再将各个分支通道的信息整合。在没有引入额外的卷积和池化计算的同时,网络模型引入MGA能够避免深层网络中小目标信息的丢失,提升网络对小目标特征的提取能力。在Mini-Image Net数据集上的验证实验表明,VARNet＿2的Top-1、Top-5准确率较主流精度模型Res Net-50分别提升了1.59%和0.46%;而在晶粒图像数据集上,与主流分类网络相比,模型VAR-Net在实现了晶粒图像精准模式识别的同时,有效降低了模型参数量和大小。（5）.在实验室前期研制基础上,完成了基于深度学习的晶圆缺陷检测系统。该系统由图像采集装置、晶圆运动滑台、控制中心和打点装置四部分组成,实现了晶圆图像采集、晶圆晶粒图像分割、晶粒缺陷模式识别和定位、缺陷晶粒打点标记四个功能。最后,在PC端设计开发了缺陷检测系统的在线识别工具。