目前,2D MLC(Multi-level Cell)NAND Flash广泛应用于从移动设备到大型基站的各种系统中。然而,随着用户对存储容量需求的日益提升,容量扩张到达瓶颈的2D NAND Flash已经逐渐无法满足用户需求。3D NAND flash的超高容量则使其逐渐占领存储的舞台。然而2D MLC和3D TLC(Triple-level Cell)NAND Flash所面临的重要问题就是耐受力低,数据易出错。为提高其可靠性,降低错误率并降低运行成本,使用动态ECC(Error Correcting Code)纠错。如果够提前预知相对精确的芯片错误率,就能够为动态ECC的复杂度选择提供指导。因此本文利用机器学习算法构建预测模型预测闪存芯片错误率对芯片可靠性的提升有重大意义。目前大多数对NAND Flash的研究都是基于仿真实验进行的,这样得到的结果显然不够准确。本文基于自研的硬件平台分别设计了2D MLC和3D TLC NAND Flash的数据获取方案,并对芯片进行实际的磨损试验与驻留试验获取实验数据,然后根据实验数据对2D与3D芯片特性进行研究与对比分析。此外,本文基于2D MLC闪存芯片的实验数据,分别应用Elastic Net算法、BP神经网络算法及随机森林算法对2D MLC NAND Flash芯片进行错误率建模,并进行模型训练及模型结果的对比分析;为保证模型精度,分别基于3D TLC NAND Flash的短期驻留数据和长期驻留数据对3D芯片进行建模。分别对三种算法模型进行训练及参数确定,并对模型结果进行分析。最后对整体算法模型进行了性能的对比及评估。算法模型测试结果表明,本文建立的算法模型能够以较高的准确度预测NAND Flash芯片的错误位数;且本文模型训练所用数据为真实的实验数据,模型结果更具可靠性。