对印刷电路板（Printed Circuit Board,PCB）进行贴装作业之前,需由专门的质量检测人员对相应印刷电路图中的电子器件进行一一核对,核对的内容主要为电子器件类型、大小、方位等信息,重点是核算清楚带有极性的电子器件类型。采用人工的核对方式对于那些使用电子器件较少的PCB而言是较为可靠的,但是随着相关技术的进步,印刷电路板上可贴装的元件数量呈倍数增长,过去的人工核对方式不仅需要消耗大量的人力物力,而且效率极低。为了提高检测效率,节省企业的生产成本,本文提出了一种基于机器学习的识别印制电路图中极性电子器件的方法。针对极性电子器件的识别问题。本文首先创建极性电子器件图像库（Polar Electronics Dataset,PED）,以解决研究中数据集缺乏的问题;对方向梯度直方图（Histogram of oriented gradient,HOG）算法进行改进,提出HOG-Gabort融合特征,其中HOG算法主要用刻画极性电子器件的外形轮廓,Gabor算法主要用来刻画极性电子器件在不同尺度、不同方向上纹理分布,HOG-Gabor融合特征能够有效弥补HOG在图像发生旋转或者缩放变化方面的不足,提高对那些个体较小或者较大以及发生旋转的极性电子器件的检出率,采用主成分分析方法（Principal Component Analysis,PCA）对其进行特征降维,减少时间消耗,提高实时性。将支持向量机（Support Vector Machine,SVM）作为分类算法,其中核函数采用径向基核（Radial Basis Function）,设置松弛变量,以免最优超平面因个别离群点而移动,从而得到更大的几何间隔,引入惩罚因子C,合适的C值会使分类器具有更强的泛化能力。为了是提升分类器的分类效果,本文采用遗传算法（Genetic Algorithm,GA）和K-折交叉验证（K-fold Cross Validation,K-CV）进行参数优化,以获得最佳的C值和核函数的参数,最终得到最佳分类模型。最后,将准备好的测试数据用来验证所得模型性能,通过实验结果可以得出,本文所提出的识别方法能够有效解决极性电子器件的识别问题。接下来,将所得模型作为底层分类算法,Vue和Django作为前后端的基础,搭建了极性电子器件的在线识别系统,该系统可以帮助质检人员快速统计出极性电子的信息,提高贴装效率。