近年来,由于通过微装配得到的精密微小型机电产品具有结构紧凑、性能稳定、能耗低、抗干扰能力强等特点,在各个领域已得到广泛应用。本文针对自动微装配系统中的微小零件定位问题,基于卷积神经网络对微小零件识别技术进行了研究,以提高微装配过程中微小零件识别的准确度及效率。论文首先搭建了显微视觉采集系统,对微小零件识别前的图像预处理问题进行了研究,针对零件特征与图像背景对比度不强的问题,对图像进行了限制自适应直方图均衡化,针对相机传感器过热导致的噪声问题,对图像进行了高斯滤波。为了加快神经网络在训练过程中的收敛速度,对输入图像进行了归一化。其次,对基于卷积神经网络的微小零件识别相关技术进行了研究,针对零件在图像中占比较小这一特性,对网络的深浅层特征进行了融合,并在提取特征时采用了深度可分离卷积以保证模型识别效率。为了得到零件的角度信息,对区域提取网络(Region Proposal Network,RPN)进行了改进,采用了三种尺度、三种比例、六种角度的推荐框。在对感兴趣区域池化时,为了避免取整造成的误差,通过双线性插值计算亚像素位置的像素值。为了避免在对推荐框分类时相似零件之间的干扰,在训练时加入了中心损失函数,用以减小类内间距。最后,对网络模型的训练策略进行了研究,对网络进行初始化后,采用迁移学习与端到端训练相结合的方式对模型进行训练。最后通过测试集验证了本文所研究的识别算法的有效性和优越性。