提出了一种结合深度学习的空间相位解包裹方法，采用基于改进U-Net网络的编码器-解码器架构，同时加入包含双向长短期记忆网络（BILSTM）的CBiLSTM模块，并且结合注意力机制，避免了典型卷积神经网络学习全局空间依赖关系的固有缺陷的同时增强了深度学习模型对相位解包裹任务中的关键信息的关注能力。通过大量的模拟数据，验证了文中方法在严重噪声(SNR=0)、不连续条件和混叠条件下的鲁棒性，在以上三种情况下，同其他深度学习网络模型进行对比，文中所提出的网络模型的归一化均方根误差（NRMSE）分别为0.75%、1.81%和1.68%；结构相似性指数（SSIM）分别为0.98、0.92和0.94；峰值信噪比(PSNR)分别为40.87、32.56、37.38；同时计算时间显著减少，适合应用到需要快速准确的空间相位解包裹任务中去。通过实际测量数据，验证了文中提出网络模型的可行性。该研究将双向长短期记忆网络（BILSTM）和注意力机制同时引入光学相位解包裹问题中，为解决复杂相位场的解包裹提供了新的思路和方案。

线边缘粗糙度（LER）和线宽粗糙度（LWR）是衡量线宽标准样片质量的重要指标。文中基于自溯源光栅标准物质的自溯源、高精密尺寸结构特性，提出了一种直接溯源型精确校准SEM放大倍率的方法，以实现SEM对线宽标准样片关键参数的测量与表征。利用校准后的SEM，对利用Si/SiO₂多层膜沉积技术制备的线宽名义值为500、200、100 nm样片进行关键参数的测量，采用幅值量化参数的均方根粗糙度 RMS描述线边缘粗糙度与线宽粗糙度，并通过图像处理技术确定线边缘位置，对线宽边缘特性进行了精确表征。实验结果表明，名义值为500、200、100 nm对的线宽样片，其实测值分别为459.5、191.0、99.5 nm，$ {\sigma }_ {\rm{LER}} $分别为2.70、2.35、2.30 nm，$ {\sigma }_ {\rm{LWR}} $分别为3.90、3.30、2.80 nm，说明了多层膜线宽标准样片线边缘较为平整、线宽变化小、具有良好的均匀性与一致性。基于自溯源标准物质校准SEM的方法缩短了溯源链，提高了SEM的测量精度，实现了线宽及其边缘特性的精确表征，为高精度纳米尺度测量和微电子制造领域提供了计量支持。