在人工智能时代,集成电路芯片在通信设备、消费电子、航空航天、工业制造等各个领域的应用都不可或缺。因此芯片的需求量日益增多,质量要求也逐步提高。集成电路测试是贯通设计、制造、封装、应用的芯片产业链全过程的关键环节,关系到芯片成品的性能、质量和寿命。由于芯片体积小,精度高,需求量大,因此芯片测试的精确度和效率问题在芯片生产中是不能忽视且有技术难度的。在芯片生产制造封装等过程中,导线键合（Wire Bonding,WB）是最关键的工序之一。在芯片WB工序后,产生的最常见的缺陷类型有:漏压、铝丝断裂、焊点面积不足等,故本文将针对一种功率放大器芯片的以上三种缺陷进行检测。首先利用传统视觉方法进行检测,并展示了基于此方法的芯片视觉系统的实现,分析了传统方法解决目标检测问题的局限。之后根据近年来不断发展的深度学习的相关研究与应用,本文提出基于深度学习的芯片WB工序后缺陷检测算法,具体研究内容如下:利用目标检测中的YOLO（You Only Look Once）算法结合锚框计算的优化、迁移训练的思想,在本文芯片数据集上进行了实验分析,结果证明了该方法能够应用在该芯片缺陷检测任务,同时基于本实验的整体检测流程开发了在线目标检测系统。针对所采用的YOLO算法在本实验所用的样本数据集上存在的一些可优化的方向,提出了引入注意力机制,将sc SE（Concurrent Spatial and Channel Squeeze＆Excitation）模块嵌入YOLO网络的骨干网络的特征融合区域,使得保持模型体积无明显增大的情况下,平均精度均值（mean Average Precision,m AP）提升了1.6%。对于实际应用当中可能存在的实时检测、嵌入式设备的部署的需求,利用无锚框思想的Center Net目标检测算法在本文数据集上进行测试,并基于此算法做出改进,在Res Net-50中引入深度可分离卷积替换原特征提取网络Res Net-18,减少了模型参数量,提升了检测速度。