随着机器视觉和智能检测技术的快速发展,自动光学检测技术（Automated Optical inspection,AOI）被广泛应用于PCB表面缺陷检测。本文针对PCB贴装元器件贴装过程中出现的漏焊、缺件、翻转、锡珠和桥接等常见缺陷检测问题展开研究,开发基于自动光学检测的PCB缺陷检测系统,论文研究的主要内容包括:（1）对常见的PCB贴装缺陷和实际生产需求进行分析,明确PCB检测系统的检测任务、参数指标要求和功能需求。首先,选择合适的光源、相机和机械结构等硬件为系统构建良好成像系统;其次,分析PCB缺陷类型和标注的过程,对图像数据特性进行统计分析,为目标锚框生成提供指导,明确本文研究重点。（2）研究基于改进自由锚框匹配的PCB缺陷检测算法。首先,针对PCB缺陷小而传统检测方法易用性不高等问题,利用K-Means聚类产生适合PCB缺陷的锚框形状和大小;同时引入平衡金字塔网络,解决特征金字塔网络语义信息稀释小目标特征的问题,对特征金字塔网络输出特征进行缩放、加权和微调,并引入Gaussian Non-local Attention机制进一步获取输出特征的全局信息,从而加强模型对小目标位置信息的关注;其次,舍弃用Io U划分锚框的策略,引入基于最大似然估计的自由锚框匹配机制实现锚框与缺陷特征的完美匹配,解决PCB包含密集元器件时单个锚框包含多个缺陷的问题。实验结果表明:本章提出的方法对小缺陷和包含密集元器件的PCB有良好的检测率,检测率准确率95.10%,检测速度针对分辨率为1280×1024的测试样本达8.9FPS/s。（3）研究基于改进Deep Labv3+的PCB缺陷检测算法。针对PCB缺陷小和形状不规整等问题,在Deep Labv3+用于提取特征的编码区,引入包含分散注意力机制（Split-Attention Blocks）的骨架网络Res Ne St,通过分组卷积将特征沿通道进行划分和权重分配,获取特征在通道间的关联性,加强模型对小目标的关注;其次,重构Deep Labv3+解码区,引入特征提取网络中降采样系数分别为1/4、1/8、1/16包含丰富位置信息的特征图,加大对小目标位置信息的关注;最后,针对训练过程中产生的难分样本,引入难分样本挖掘机制,对训练过程中损失较大的像素点进行优化。实验结果表明:本章提出的方法对缺陷的分割、轮廓和边缘的恢复有良好的效果,语义分割m Io U达78.43%、m Acc达89.64%（4）开发PCB表面贴装缺陷视觉检测系统。根据上述提出的缺陷检测算法,开发一款易操作的PCB表面贴装缺陷软件,检测系统可对待检测PCB产品进行实时检测并将结果显示在窗口,为工人的操作提供一定参考。