随着集成电路（Integrated Circuit,IC）市场全球化程度与日俱增,越来越多的IC设计者选择使用第三方IC供应商提供的服务完成产品设计。在这一全球化背景下,某些第三方IC供应商是不可靠的,他们可能会在其产品中植入硬件木马（Hardware Trojan,HT）,从而导致产品损坏或者泄露机密信息等。特别是,这一事实可能给一些重要领域,例如航空航天、移动卫星、证券交易、国防科技等的设施带来致命性的威胁。因此,如何对IC中可能植入的HT进行检测与诊断,以确保IC安全可信成为一个极具挑战性且亟待解决的问题。HT可能在IC开发过程的设计阶段被插入,从而导致不可预期的严重后果。大多数IC高级综合工具都不能同时实现寄存器传输级（Register Transfer Level,RTL）和门级安全保证。为此,本文提出一种新的基于机器学习（Machine Learning,ML）的HT检测和诊断方法,用于识别在设计阶段被恶意植入的集中式和分布式HT。本文主要研究内容如下:（1）针对已有HT静态检测方法存在的特征向量长度过长、检测准确率较低、且无法诊断HT植入位置等问题,本文提出了一种基于ML的门级网表中HT检测与诊断方法,通过将原始电路划分成n个扇区,重新定义并提取每个扇区的5个HT相关特征来构造该扇区的5维特征向量;然后,利用支持向量机（Support Vector Machine,SVM）方法对这n个5维特征向量进行训练,得到训练后SVM模型;最后,利用ISCAS-85基准测试电路验证所得训练模型的效果。实验结果表明,利用本文所提方法进行HT检测时的平均准确率可以达到81.6%,在保证较低误判率的同时,根据分类结果报告HT可能的植入位置。与现有基于ML的HT检测方法相比,本文所提方法的检测准确率提高了约5%。（2）针对上述基于SVM的HT检测与诊断方法存在仅对组合电路有效、无法识别HT类型和精确诊断HT所在区域的问题,本文提出了一种基于多分类ML的门级网表中HT检测与诊断方法。该方法首先增加2个时序电路相关的HT特征,并对HT可能植入方式进行深入分析;然后,对原始电路门级网表进行扇区划分,提取各个扇区的7个HT相关特征;接着,分别利用K邻近（k-Nearest Neighbor,KNN）、决策树（Decision Tree,DT）和朴素贝叶斯（Naive Bayesian,NB）算法对其进行训练,得到训练后多分类ML模型;最后,利用ISCAS-85和ISCAS-89基准测试电路验证所得训练模型的效果。实验结果表明,利用本文所提方法可显著增强对时序电路中HT检测的敏感度,准确率达到97.7%。同时,能够根据分类结果细粒度地报告HT可能的植入位置,进一步提高HT诊断精度。