随着工艺发展和SRAM集成度的提高,随机工艺波动引起的SRAM良率问题日渐突出。常用的蒙特卡洛方法（Monte Carlo,MC）评估良率时需要仿真大量样本,比较耗时。另一方面,电路的多失效机制或自身结构会造成失效样本存在于多个失效域中,使现有的加速MC的良率评估方法不够准确。在多失效域场景下快速而准确地得到SRAM的良率是一个挑战。论文从自适应重要性采样（Adaptive Importance Sampling,AIS）及其两种改进算法,缩放方差自适应重要性采样（Scaled Sigma Adaptive Importance Sampling,SSAIS）和自适应聚类和采样方法（Adaptive Cluster and Sampling,ACS）展开对SRAM多失效域快速良率评估方法的研究。基于AIS的主要流程,结合SSAIS的缩放方差和ACS的聚类策略,并针对样本多样性缺失问题在权重计算和参数更新阶段进行优化,得到缩放方差和自适应聚类的重要性采样方法（Scaled Sigma and Adaptive Cluster Importance Sampling,SSACS）。SSACS通过改变权重计算方式和寻找最优参数构建优良的偏移采样分布。在权重计算阶段,采用失效概率权重代替重要性权重。考虑多个失效域的差异,削弱权重极值对其他失效域样本的影响,降低后代样本均出自同一失效域或同一极值样本的可能,从而缓解样本的多样性缺失。在参数更新阶段,自适应地更新偏移采样分布的均值、混合系数和方差。采用基于失效概率权重的轮盘赌算法进行均值更新,使用更新后的分布采样,能迅速识别失效边界且避免丢失失效域。采用β调节策略进行混合系数更新,在迭代前期引入少量非失效样本,进一步增加样本多样性。采用EM算法进行方差更新,进一步减少仿真次数。采用SMIC40nm工艺,验证电路为存储单元和灵敏放大器。存储单元的性能指标为读写延迟和读噪声容限,灵敏放大器的性能指标为失调电压。存储单元的良率评估实验结果表明,SSACS的误差为1.5%,速度是MC的1931倍,是ACS和SSAIS的1.92倍和1.69倍。灵敏放大器的良率评估实验结果表明,SSACS的误差为1.2%,速度是MC的4027倍,是ACS和SSAIS的2.02倍和1.70倍。在多失效域场景下,SSACS比SSAIS和ACS能够更加快速而准确地得到SRAM的良率,并且SSACS能更精确地识别多个失效域。