半导体制造业是目前世界上发展最为迅速的产业之一。随着元件特征尺寸的日益缩小，晶圆尺寸的逐渐增大，对制造流程中的精密控制提出了严苛的要求;其次，由于资金的高投入，对生产设备的利用率有着很高的要求，因此，同一生产机台需要同时加工多种不同规格的产品，而同一规格的产品又会出现在不同的机台，这就行成了产品高度混合的生产模式，亦即:混合制程，进而对半导体制程的控制提出了新的挑战。本文从混合制程的特点出发，在批间控制的框架下，基于Bayesian理论，提出混合制程的状态估计算法，以期提高产品的良率，主要工作如下:　　1.非线程指数加权滑动平均算法为混合制程的状态估计提供了一种解决方案，但其观测矩阵具有奇异性，且在线计算量较大。为此，本文提出了一种基于ANOVA模型的迭代Bayesian状态估计方法。首先，引入IMA(1，1)干扰模型，并采用滚动时间窗口的观测形式，得到相邻残差的分布滞后模型协方差矩阵;其次，利用ANOVA方法，建立混合制程的状态空间模型;再结合分布滞后模型的协方差矩阵与Bayesian方法，迭代求解，估算出各线程的状态，避免了观测矩阵求解的奇异性问题。数值仿真表明，本文算法能够很好的估计出机台发生偏移、漂移，以及产品上线/下线等加工中常见的故障;同时，与文献中的控制算法对比，论证了在产品在少量多样及模型不匹配情况下，本文算法的控制效果最优。最后，以光刻制程的逆向工程验证了本文算法的控制性能。　　2.半导体生产过程中普遍存在模型不匹配的现象，其恶化了批间控制的性能。为克服这个问题，本文提出了一种基于扩张状态观测器的批间控制方法。首先通过非光滑反馈与线性反馈的比较，证明了非光滑反馈抑制扰动能力的优越性;其次，将其应用于指数加权滑动平均算法，利用扩张状态观测器的核心部分-Fal函数对系统进行滤波，提高模型不匹配时的系统抑制扰动的能力，改善批间控制器的性能。数值仿真表明:在模型不匹配的情况下，本文方法与基于线程的指数加权滑动平均方法相比，MSE值显著减小，从而提升产品良率。