倒装芯片技术已广泛应用于微电子封装行业,它的裸芯片翻转并放置在基板上。倒装芯片技术提供更小的封装尺寸,更大的I/O密度,更低的信号延迟和更高的信号传播速度。然而,由于芯片和基板的热膨胀系数不匹配,封装界面容易变形,从而导致倒装芯片内部缺陷,如焊点缺失、空洞、裂纹等,这些缺陷会导致倒装芯片今后无法正常使用。因此,有必要开发有效的技术来检测倒装芯片中的焊点。本文开发了一种基于扫描声学显微镜（SAM）的焊点智能诊断系统,但是由于倒装芯片的原始SAM图像分辨率较低,对倒装芯片焊点的缺陷识别造成困难,因此,我们将应用超分辨率技术重建原始的SAM图像。主要内容如下:研究基于稀疏表示方法对原始的SAM图像进行重构。它包括两个阶段:字典训练和重建。然后根据SAM图像的梯度对焊点进行分割,并提取其统计特征用于焊点分类。最后将LM-BP算法应用于缺陷焊点的识别。研究基于卷积神经网络算法对于SAM图像的重建。它直接学习低/高分辨率图像之间的端到端映射。映射表示为深度卷积神经网络,它将低分辨率图像作为输入并输出高分辨率图像。它包括块提取和表示,非线性映射和重建。之后,采用相同的图像后处理和识别算法对焊点进行检测。实验结果证明了所提出的倒装芯片缺陷检测方法的可行性。