在集成电路产业中,晶圆测试是非常重要的一环。晶圆测试以后生成的晶圆电子图（wafer map）包含了许多可以反应生产环境以及生产工艺等问题的信息,例如在有缺陷的芯片聚集在晶圆周围一圈,往往是在生产线上移动晶圆的设备有一定的问题,而晶圆上有缺陷的芯片聚集成一条光滑的曲线时,往往是由于一些尖锐物的划伤造成的。因此通过这些信息对找到产生缺陷的原因有非常大的帮助,找到具体产生缺陷的原因以后通过改进生产工艺,改善生产环境,可以极大地提高良品率。本文针对这一需求,提出了一种新的基于密度空间聚类以及支持向量机的晶圆缺陷类型识别系统,不仅可以识别两种以上的缺陷类型,并且还适用于大规模数据的情况。系统首先对晶圆电子图使用基于空间聚类的方法OPTICS进行聚类,然后将提取出来的类簇进行特征提取,最后再根据提取出的特征向量使用监督式学习方法支持向量机进行学习和分类。本文通过从晶圆厂中真实采集的晶圆数据（WM811K）验证了系统的有效性。主要的晶圆缺陷类型识别率高达94.3%,多个晶圆缺陷类型的识别率也达到了89.3%。同时系统在计算时间上相对目前已经提出的方法也有较大的降低,因此可以用在大规模数据的情况下。