目前,集成电路（IC）按照摩尔定律飞速发展,对晶体管的集成达到超大规模阶段,布线层数超过十层,对超精密平坦化加工技术的精度提出更高的要求和挑战。CMP技术是唯一能够实现材料表面局部和全局平坦化的高精度处理技术,抛光过程受到多因素影响,抛光液作为影响平坦化效果的重要因素,在很大程度上决定着抛光效率和抛光材料的表面质量。因此如何优化抛光液组分配比,提高材料的去除速率,获得高质量、高效率的抛光表面是现阶段研究的热点问题。本文针对CMP技术和CMP抛光液配比优化的研究现状及在抛光液配比优化过程中存在的问题进行了分析,选用标准粒子群优化算法（PSO算法）和支持向量机（SVM）建立PSO-SVM算法模型。通过利用抛光液各组分对去除速率的影响结果,建立正交优化试验,获得CMP抛光液组分配比优化的实验数据集。优化实验中采用Decimal Scaling标准化和Min-Max标准化对数据进行预处理。以pH值、H₂O₂氧化剂浓度、FA/O I型螯合剂浓度、S_iO₂磨料浓度及活性剂浓度为输入值,以S_iO₂去除速率为输出值,利用PSO-SVM算法模型对数据集进行训练,得到CMP抛光液组分配比优化模型。对预测样本进行预测,得到的最大绝对误差为0.0016,均方误差为0.0001。通过和仅采用SVM的模型进行对比及对优化模型的验证,结果表明,前者得出的结果比后者更准确,精确度更高。且基于PSO-SVM算法的CMP抛光液组分配比优化模型的预测误差在工程允许的范围内。本文还针对压力传感器受温度漂移影响而造成的精度和可靠性下降的问题,建立粒子群优化算法与支持向量回归机结合的PSO-SVR温度补偿模型。利用PSO优化SVR的惩罚系数和核函数参数,改善粒子陷入局部最小值的问题。通过对测试集预测,得到最大绝对误差为0.0016,均方误差为0.0008%。PSO-SVR模型的补偿精度比RBF网络和SVM高。PSO-SVR模型能够满足实际使用的精度要求。