随着集成电路制造工艺不断演绎着摩尔定律的神话，片上系统芯片(SoC)设计已经迈入多核处理的新时代，芯片的集成度和复杂度已远远超出人们的想象，确保芯片功能验证正确已成为芯片设计中最主要的瓶颈。据ITRS机构统计，现阶段芯片功能验证已占据整个芯片设计时间的50％～80％。功能覆盖率是衡量验证质量和进度的最主要指标。目前主流的模拟验证方法还需要通过人工分析覆盖率信息来产生测试向量，存在验证效率低和功能覆盖率不高等问题，这直接影响了芯片的设计周期，甚至将导致芯片流片失败。　　 约束随机测试是现代功能验证中的一项重要支撑技术，覆盖率驱动的随机测试生成(CDG)是目前该领域的主要研究方向。CDG技术能够通过覆盖率信息自动反馈并指导测试向量的生成，减少测试向量的重复，加速验证的收敛过程，大大提高验证的质量和效率。目前，使用人工智能算法的反馈CDG技术已经成为该领域的研究热点，采用的算法包括：贝叶斯网络(BN)、Markov链、遗传算法、神经网络和归纳逻辑程序等。　　 针对SoC事务级层次化验证平台的特点以及贝叶斯网络强大的不确定性推理和数据分析能力，论文采用贝叶斯网络来分析事务级验证平台中的随机测试向量生成和功能覆盖率统计数据之间的不确定关系，提出了一种通用的基于BN-CDG技术的事务级验证平台。本文基于C3310TD-SCDMA基带芯片中的AHBEMIFF模块以及芯片验证的标准开发流程，搭建出实际的AHBEMIFF验证平台，给出了详细的实验数据分析结果及性能比较。在此基础上，针对贝叶斯网络必须由专家手动构建以及验证人员缺少贝叶斯网络相关知识的缺点，进一步尝试直接从数据样本中利用强大的结构学习算法来自动构建贝叶斯网络，从而实现真正意义上的覆盖率驱动自动生成测试向量的SoC验证平台。论文最后给出不同算法下的BN结构仿真图及性能比较，与传统验证平台相比，改进的BN-CDG验证平台完全能保证验证的完备性，快速达到功能覆盖率的目标，缩短验证的周期，减少验证工程师工作量等优点。