随着国家数字化转型的深入发展,印刷电路板（Printed Circuit Board,PCB）作为电子产品的关键元器件广泛应用于医疗、自动驾驶、航空等众多领域。但受限于生产技术,在实际生产PCB时,其表面会产生各种各样的缺陷。因此,避免因PCB缺陷影响电子产品性能,对PCB缺陷进行快速、准确的检测具有非常重要的研究意义。PCB缺陷检测的传统方法在实际过程中存在成本高、检测精度低、速度慢、漏检等问题。针对现有技术的局限性,本文提出基于深度学习的PCB缺陷检测技术并实现其系统化应用。本文将YOLOX网络模型应用于PCB缺陷检测领域,并采用数据增强技术解决原始PCB数据集较少的问题,进而提升缺陷检测精度。首先,本文采取数据增强技术以及超分辨率生成对抗网络将原始PCB缺陷数据集扩充,解决数据集较少导致的过拟合问题。同时,利用扩充后数据集训练YOLOX网络模型并与主流目标检测算法进行对比分析。实验数据表明,提出的基于Yolox-l算法的PCB缺陷检测平均精度均值为91.79%,精度和速度更为均衡,检测性能优于对比算法,适用于实际生产中PCB缺陷检测。为了进一步提升Yolox-l的性能,并提高对微小、复杂缺陷的检测性能,本文利用有效通道注意力（Efficient Channel Attention,ECANet）对Yolox-l网络结构进行改进。一方面,利用ECANet优化有效特征层的融合方式;另一方面,通过ECANet改进特征金字塔结构,从而更加有效地提取特征信息。实验数据表明,基于改进Yolox-l的PCB缺陷检测平均精度均值为93%,较改进前提升1.21%。改进后Yolox-l算法可有效提升检测性能,特别是难检测的缺陷和小目标缺陷的检测精度。最后,本文将改进Yolox-l算法进行系统化应用。利用轻量级Web应用程序框架Flask设计并实现PCB缺陷检测系统。除此以外,通过改变PCB图像的亮度、拍摄角度以及添加高斯噪声模拟实际采集的PCB图像,进一步验证了系统的稳定性。为了提升PCB缺陷的检测性能,本文分别提出了基于YOLOX网络和改进Yolox-l网络的PCB缺陷检测算法。实验数据表明,提出的算法可有效提升检测性能。最后,通过Flask框架实现基于改进Yolox-l算法的PCB缺陷检测系统。