近年来,基于机器视觉的印刷电路板(Printed Circuit Board,PCB)缺陷的检测与识别是半导体产业备受关注的研究课题。机器视觉检测技术不但可以检测短路和断路等典型缺陷,还可以有效地检测各类缺陷,如漏孔、余铜、孔洞、毛刺、缺口、孔位偏移、蚀刻不足和错误的打孔,有效避免人工检测易疲劳,主观性强的缺点,实现24小时全天候高效率检测。在基于机器视觉的PCB缺陷检测系统中,相关的图像处理算法是其核心技术,对该范畴的深入研究具有非常重要的意义和价值。因此,本文针对基于机器视觉的PCB缺陷检测与分类识别方法展开深度的研究。首先,针对现有的PCB缺陷检测与识别算法大多都采取传统的图像处理和识别过程:即缺陷检测,特征提取和缺陷识别。由于电路板的复杂性,传统方法对于种类较多的缺陷很难达到精确分类,提出一种基于深度学习的PCB缺陷检测识别算法。先对参考图像与待测图像进行差分操作找出PCB缺陷区域,然后针对缺陷区域,设计了包括2个卷积层、2个下采样层和4个全连接层的卷积神经网络模型。将PCB缺陷图像批量归一化,选取Re LU作为激活函数,Maxpooling作为下采样方法,并使用Softmax回归分类器训练并优化卷积神经网络。该方法分别与目前生产线上常用的基于方向梯度直方图、尺度不变特征变换特征和支持向量机结合的识别方法进行了比对,实验结果表明本文方法的识别准确率显著提高,对于10类PCB缺陷可以得到96.67%的识别准确率,具有较好的应用前景。其次,针对目前基于图像分析的PCB缺陷检测多采用参考比较法,图像配准比较困难,检测精度与识别率不高,利用改进YOLOv3网络对PCB缺陷进行检测。首先使用K-means算法对PCB缺陷数据进行了聚类分析,再针对现在小目标缺陷检测存在的问题,借鉴了Densnet的方法,将YOLOv3两个残差网络模块替换为两个密集网络模块,解决了深度特征训练中的梯度消失现象。实验结果表明,提出的基于深度特征学习的PCB缺陷检测算法大大提高了识别的准确率,可以实现对PCB常见的断路、短路、突围、漏孔、缺损等不同类型的缺陷的精确、实时检测与分类。最后,本文对PCB缺陷检测系统的硬件和软件进行设计与实现,软件界面简单明了,具有良好的人机交互界面。输入待测试PCB图像对系统整体进行测试,实验结果表明,本文所设计的PCB缺陷检测系统具有良好的稳定性,能准确的检测出PCB缺陷。