半导体晶圆是集成电路的核心载体，制造工序繁杂，极易产生划痕、污渍、晶体损伤等各类缺陷，直接拉低芯片性能与生产良品率。传统人工目视、光学、超声波检测方式，分别存在效率低、无法检测内部缺陷、受材料限制等弊端。依托图像处理技术的机器视觉检测，凭借非接触、高速度、自动化、成本可控等优势，成为晶圆缺陷检测的核心方案。

晶圆缺陷可按照成因分为随机缺陷、系统缺陷与组合缺陷；按照形态则分为形貌缺陷、污染物、晶体缺陷三大类。整套检测流程分为光学初检、图像采集、图像预处理、缺陷识别分类、成因分析与报告生成五大步骤，贯穿晶圆生产全质检环节。

当前主流检测技术分为机器学习与深度学习两大板块。机器学习包含五类学习范式：有监督学习以 SVM、决策树、集成学习为代表，依托标注数据完成缺陷分类；无监督学习通过聚类、自编码器等算法挖掘无标注数据特征；混合学习融合多模型优势提升泛化能力；半监督学习有效缓解行业标签稀缺难题；迁移学习复用预训练模型，降低训练成本、提升检测速度。

深度学习网络根据功能划分为四大类别：检测网络以 YOLO、Mask R-CNN、Transformer 为主，兼顾缺陷定位与识别；分类网络基于 CNN、GAN 等模型，适配单标签与多标签缺陷判定；U-Net、SegNet 等分割网络可实现像素级缺陷分割；组合网络融合多种模型架构，综合性能更为优异。各类网络各有优劣，可根据检测场景灵活选用。

该领域主流公开数据集为 WM-811K、MixedWM38、21-Defect 等，多数数据集存在样本分布不均、标注缺失、部分数据未公开的情况。评价指标随算法类型区分：有监督、半监督学习使用准确率、精确率、召回率、F1 分数等；无监督学习采用随机指数、归一化互信息、纯度等聚类评价指标。

针对现存痛点，未来研究将聚焦四大方向：第一，优化特征提取算法，结合领域知识强化缺陷特征表达能力；第二，融合光学、红外、电子显微等技术，研发多模态无损检测方案；第三，通过知识蒸馏、网络结构优化打造轻量化模型，降低算力消耗；第四，扩充、开源高质量晶圆缺陷数据集，完善数据生态，持续推动机器视觉检测技术在半导体产业的规模化落地。