随着微电子技术的不断发展，电子元件朝着超薄型、高密度、细间距、无铅化方向快速发展，对印刷电路板的焊接质量检测提出了更高要求，传统上依靠人工目检对印刷电路板焊点质量进行检测的方式很难满足生产要求。而自动光学检测系统(Automatic OpticalInspection, AOI)能检测到微小组件和较高安装密度的PCB（Printed Circuit Board,PCB），并且也有的统一的检测标准、快速度、利于产品质量管理等特点，但是现有的AOI系统在实际应用中存在以下几个方面的问题：编程较为复杂，特别是调试程序的时间过长； AOI系统检测存在漏判和误判的问题；作为在线检测系统，AOI的检测速度有待提高。因此，本文分别在定位、编程和缺陷检测这三个方面对AOI进行优化及改进研究。主要研究内容如下：（1）提出一种新的基于三层MARK点位置定位方法。第一层是全局对齐，补偿PCB加载过程位置误差；第二层是单板对齐，补偿的单板装配的位置误差,最后一层是局部视场(Field Of View,FOV)对齐，补偿的局部凹凸不平的表面定位误差。实验结果证明了提出的方法改善了位置定位的精度。自动光学检测的路径规划问题可以建模为一个标准的旅行商问题(TravellingSalesman Problem,TSP),为最小化总工作时间，提出了一种基于Hopfield网络新方法的路径规划问题。通过Hopfield网络获得了一个优化路径。（2）提出了一种基于像素统计建模原理的AOI的测试算法，这种算法运用的是一种统计建模方法，通过来对焊点样本图进行灰度级别的建模来达成目标。该方法操作过程的第一步是建立一个合格样本的模板图，接下来通过两个步骤的定位方法，运用对待测的元件图及与模板图配对比较，计算两者差值的原理，来判定其是否达标。实验结果显示,基于统计建模的图像配对算法使得误报率和漏报率都达到实际使用需求；另外，还有效地缩短了编程和调试时间,降低了人为因素对检测结果的影响,提高了AOI算法的效率和准确率。近年来,该算法已经被广泛应用于实际生产过程中,给用户带来了极便捷的使用体验。（3）由于在焊点检测过程中，漏报的损失要远大于误报的损失，因此本文提出了一个新的基于最小风险贝叶斯分类器来进行焊点合格/缺陷的二分方法。Adaboost的作为一个强分类器被引进。实验结果表明,最小风险贝叶斯分类器在二分焊点的过程中有一个良好的性能、Adaboost算法检验结果也进一步验证了最小风险贝叶斯分类器的良好性能。（4）提出一种神经网络结合遗传算法的诊断焊点缺陷的方法。提取焊点图像的14个特征作为分类器的输入。神经网络很容易变得过度学习,因为这些输入特征不是相互独立的缘故,因此遗传算法被引入来选择和去除冗余的输入特征。实验结果证明,神经网络结合遗传算法减少了输入特征的数量并取得一个令人满意的识别率。（5）提出一种基于信息增益的特征选择结合对焊点分类的两级分类器框架。该方法首先获得的焊点图像。然后提取颜色特征（平均灰度和高亮像素比例）和模板匹配特征。经基于信息增益特征选择后,用贝叶斯算法,每个焊点被分为合格/不合格两类。如果焊点判为不合格,焊点将被支持向量机(Support Vector Machine)分为一个预定义多分类类型,第二阶段分类器选择是基于各种分类器分类性能评估的。实验结果表明,该方案不仅更高效,也提高了识别率,因为它减少了提取特征数量的需要。最后，在总结全文内容的基础上，本文还对未来AOI研究方向进行了展望。