随着半导体设计和制造工艺的全球化,对集成电路制造阶段缺陷检测要求将越来越高。传统的缺陷检测采用人工使用电子显微镜采集样本图片,再交予专家进行评定是否有缺陷,这种方法存在需要消耗大量人力且效率低下等缺点。因此,很有必要设计一种能自动检测经验表明缺陷的模型来代替人工操作。受异常图像检测中样本数据及检测的类别往往无法预知等限制,现有基于数据驱动的监督深度学习检测模型如YOLO、SSD往往有较大的局限性针对这一问题,本文提出了一种半监督学习方法,其训练方法无需负例标签数据,只用正常样本进行训练。所提方法通过构建编码器-解码器-编码器形成的流形学习模型结构。首先,使用自编码器构建潜在空间向量,用于获取正常样本潜在信息。其次,构建对抗生成网络来强化模型对正常样本的重建能力。最后,引用patch-GAN将鉴别器以分块形式输出提高模型鉴别能力。此外,在生成网络中添加了具有跳跃结构的残差网络模型用以提升模型训练效果。本文所提方法训练期间仅使用正常无标签数据,在检测阶段将正常数据和异常数据归类标记,完成模型对数据分类。本文模型在基准数据集Mnist、CIFAR10和工业数据集WM-811K晶圆数据以及包裹X光数据集进行验证,实验结果表明与最先进的模型方法相比有更优越的分类精度和检测效果,本文设计的模型满足工业应用需求。