在现如今的电子工业中,印制电路板(PCB)作为电子元器件的载体,其板载元器件的焊接质量将直接影响到电子产品的性能,因此对PCB焊接质量的检测对工业生产而言意义重大。传统检测手段耗时耗力且可靠性差,为了提高工业生产效率、改善电子产品的性能和质量,降低生产所耗成本,采用基于图像处理技术的自动化焊接缺陷检测方法,可以达到非接触且高精度的检测效果。课题研究PCB人工焊接缺陷检测与识别算法。实验选用普通人工焊接的PCB为研究对象,经扫描及焊点配准后获得PCB焊点图像。对焊点图像进行灰度处理、中值滤波等预处理操作,以减少图像噪声,提高焊点图像的清晰度。本文研究焊点图像特征的提取方法,提出基于阈值分割技术提取焊点图像的形状特征；根据阈值分割结果提取焊点图像前景和背景特征点,采用支持向量机(SVM)方法对原彩色焊点图像进行分类后并做灰度处理,得到只包含前景图像的焊点灰度图像,提取焊点灰度图像的小波特征。在完成焊点图像的特征提取后,针对缺陷识别方法进行研究,提出一种基于特征聚集度的模糊C均值聚类(FCM)与松弛约束支持向量机(RSVM)联用的分类识别算法。算法首先对样本特征数据进行模糊C均值聚类,依据样本隶属度函数计算不同特征的特征聚集度,并由特征聚集度指标改进RSVM算法中的松弛量参数,建立最终的分类器模型。实验表明,本文提出的算法建立了泛化能力更强的分类模型,能有效抑制噪声及模糊边界点对分类模型的影响,在人工焊接缺陷识别的应用中获得了满意的识别结果。