半导体技术是电子信息产业发展的核心。现代电子产品逐步向更高集成度、更高速率、更小型化和智能化的方向发展,驱动其相关的封装集成也向更先进的技术方向迈进。相应的高数据传输速率、高器件密集度和高工作频率而导致的电磁干扰（EMI）问题将成为限制高速封装发展的一个瓶颈。若在封装设计阶段能审慎考虑EMI问题,将有效缓解后续整机EMI的设计压力。发展瓶颈主要有以下三点,第一,传统的数值与全波仿真方法在求解越来越复杂的封装产品的空间辐射干扰问题时将逐渐变得低效;第二,难以量化各结构产生的空间辐射及其对辐射的影响;第三,工程师在设计优化封装中众多参数时缺乏经验指导,导致时间成本增加。面对上述疑难瓶颈,先进的机器学习技术为克服这些难点提供了一条新的研究思路。但由于机器学习在封装EMI领域的应用尚处于初步研究阶段,所以还存在一些挑战需要克服,如机器学习如何应用到封装EMI问题中、众多机器学习模型的选择、机器学习的建模步骤和模型评估方法等。针对这些瓶颈和挑战,本文深入研究了应用机器学习预测封装的对外辐射、定量评估各结构参数对辐射的贡献以及设计优化封装的结构参数使其辐射满足国际EMI标准限值。本文开展的研究内容如下:1.针对传统方法求解复杂封装电磁辐射的时效性差的问题,本文通过重构不同的回归学习模型,建立了用于预测封装远场辐射的最佳模型——深层神经网络（DNN）,实现了小于2%的相对误差。该模型对辐射的预测时间为毫秒级,能及时反馈封装设计的优劣。本文还对各回归模型的预测性能差异进行了分析,为机器学习在EMI领域中的广泛应用奠定了基础。2.针对难以评估封装结构参数对辐射影响的问题,本文提出了基于层级注意力机制的DNN模型,该模型不仅可以定量计算封装中各结构参数对远场辐射的贡献,还可改善原始DNN模型的预测精度。本文识别的重要参数可为实际产品设计提供指导。最后,通过远场测试对带有注意力权重的DNN模型的有效性进行了进一步验证。3.针对封装中众多结构参数的设计优化的问题,本文提出了两种思路的结构参数设计优化方法以使辐射达标。正向优化设计方法结合了基于注意力机制的DNN预测模型以及敏感性分析、相关性分析技术;逆向参数设计网络采用了一种逆向一维卷积神经网络（1D-CNN）与正向DNN的级联架构,以使逆向网络更易收敛、预测更准确。本文通过若干案例对正向设计优化方法和逆向参数设计网络的可行性和有效性进行了验证。上述两种方式的计算时间均为毫秒级,能大大缩短封装设计的研发周期。