随着集成电路制造工艺的不断进步,电路尺寸不断缩小,工作电压持续降低,工艺参数波动对电路性能及良率造成的影响愈发难以准确评估。尤其是对于具有数量极多重复单元的SRAM电路而言,为保证芯片的整体良率,每个SRAM单元的失效率必须极低。对于这样的小概率评估问题,传统的蒙特卡洛方法需要耗费很长的时间才能得出良率计算结果。一些常见的基于重要性采样的分析方法通常能够减少所需的样本仿真次数,加快良率评估过程,但是在精度上欠佳。亟待提出一种适用于先进工艺及低电压场景下的快速良率评估方法。针对上述问题,本文实现了基于并行交互马尔可夫链的自适应重要性采样算法（Parallel Interacting Markov Adaptive Importance Sampling,PI-MAIS）评估良率,并在此基础上引入了基于加权回归的高维替代模型（Weight Regression High Dimensional Model Representation,WR-HDMR）,结合二者形成了本文的WRIS良率分析方法。本文的主要研究工作如下:第一,所实现的PI-MAIS算法提高了采集失效样本的效率,降低了所需的仿真样本量。具体做法是将建议分布的位置参数更新步骤与重要性采样良率计算步骤分为上下两层,在上层中采用了多条独立的马尔可夫蒙特卡洛链,更新对应建议分布的位置参数,在下层中自适应地迭代更新样本以及样本的权值,实现了并行化,加速了良率评估过程。第二,训练了WR-HDMR模型以替代相对耗时的晶体管级电路仿真程序,该模型将高维模型展开为多个低维项的总和,选取加权最小二乘函数作为基函数,拟合电路工艺参数变量与电路输出性能的关系。第三,将训练完毕的WR-HDMR模型与PIMAIS算法结合起来,形成最终的WRIS算法,用WR-HDMR模型替代了PI-MAIS算法中权值计算时调用的电路仿真程序,从减少仿真时间的角度出发进一步加速了整体的良率评估过程。最后,论文在SRAM单元和灵敏放大器两个电路上具体实验,对PI-MAIS算法和WRIS算法的精度与速度进行了验证。在TSMC 28nm工艺,0.8V低电压的实验条件下,算法的精度与标准蒙特卡洛MC方法对比,速度与HDIS算法和AIS算法相比。对于SRAM基本单元电路,PI-MAIS算法的相对误差为0.6%,WRIS算法的误差为2.3%,相对于MC算法、HDIS算法和AIS算法,PI-MAIS算法的速度分别提升了67.7倍、5.6倍和2.3倍,WRIS算法提升了126.5倍、10.5倍和4.3倍。对于SA灵敏放大器电路,PI-MAIS算法的相对误差为1.93%,WRIS算法的误差为4.18%,相对于MC算法、HDIS算法和AIS算法,PI-MAIS算法的速度分别提升了55.8倍、4.9倍和2.1倍,WRIS算法提升了114倍、9.9倍和4.3倍。