半导体芯片在生产过程中引起的表面缺陷会影响芯片的使用寿命和可靠度,因此表面缺陷检测是芯片品控的关键环节。基于机器视觉的表面缺陷检测方法具有效率高、准确性高、实时性高等优点,在芯片领域得到广泛的研究和应用。但是由于缺陷类型繁多,特征难以定义,且只发生在生产过程中,使得基于机器视觉的芯片表面缺陷检测方法遇到困难。因此,本文结合企业实际需求,开展芯片表面缺陷检测相关研究,不仅具有重要的实际应用价值,而且具有重要的理论研究意义。本文的主要完成工作如下:(1)基于数学形态学的芯片表面缺陷检测方法:由于芯片背景单一,所以对芯片表面缺陷图像进行二值化处理,得到缺陷候选区域。但是像素灰度不均、大面积点状缺陷等问题,导致缺陷候选区域含有噪音或断裂缺陷。而数学形态学可以弥合裂缝和去除噪音,并且能够获取目标区域的几何参数和特征,所以采用数学形态学方法处理和分析缺陷区域,从而实现缺陷检测。实验结果证明该方法能够有效检测与芯片表面背景区域对比明显的缺陷。(2)基于无监督学习的芯片表面缺陷检测方法:芯片表面缺陷类型多变,特征难以定义,使得传统的表面缺陷检测方法遇到困难。深度学习能够学习深层特征,在图像检测领域得到了广泛的应用,为芯片表面缺陷检测提供了新的思路。但是缺陷类型难以预测,且只发生在生产过程中,难以收集和标记大量缺陷样本,使得基于有监督的芯片表面缺陷检测方法遇到挑战。因此,本文提出了一种仅用无缺陷样本进行模型训练的无监督芯片表面缺陷检测方法。该方法首先利用卷积去噪自编码器重构缺陷图像,得到无缺陷图像;然后通过重构图像与缺陷图像的残差图实现缺陷检测。为了增强残差图中缺陷与非缺陷区域对比度,采用了基于重叠分块的残差图生成策略。实验表明该方法具有两个突出的特点,第一检测过程中无需人为干预,属于完全的无监督;第二,采用重叠分块策略,能够提高该方法的鲁棒性和准确性。本文缺陷检测方法已经在合作企业中得到了应用,进一步验证了本文方法的有效性和实用性。