柔性印刷电路基板(Flexible Printed Circuit Board,FPC)是集成电路的重要组成部分,已广泛用于各种电子产品中。FPC缺陷检测可以提高制造过程中的FPC成品率,是制造商生产过程中的关键环节。目前,大多数制造商仍在使用人工目检方法,这费时费力。如果使用传统的数字图像特征技术,则需要对FPC图片进行像素级遍历,速度偏慢。近年来,以Faster-RCNN为代表的深度卷积神经网络算法开始应用于FPC缺陷检测中,但FPC某些缺陷相对较小,且缺陷样本较少,即存在小目标和小样本问题,这些算法检测效果一般。因此,在Faster-RCNN算法的基础上,本文针对这两个问题进行了研究,主要工作如下:(1)针对FPC某些缺陷较小,检测效果不好的问题,提出了一种基于特征增强和多感受野区域选取的改进Faster-RCNN算法。基于Faster-RCNN算法已有的思想和结构,提出了特征融合模块,用于增强整体特征,随后提出了目标特征增强模块,单独提高目标特征强度,最后引入了多感受野区域选取模块,分别提取不同尺度目标的特征。这三种模块实现对Faster-RCNN算法的改进,并应用于FPC缺陷检测,解决小目标问题。相比原始Faster-RCNN算法,加入三种模块的算法m AP提高了3.52%,表明了改进方法的有效性。(2)针对FPC缺陷样本较少,训练及检测效果不佳的问题,提出了一种基于多特征变换和改变类间类内相似性的改进Faster-RCNN算法。在Faster-RCNN算法结构的基础上,引入了平行空间转换网络(Spatial Transformer Networks,STN)的结构,并加入了限制STN网络参数变换形式及对网络参数引入增量的策略,通过多特征变换丰富FPC缺陷特征,增强网络模型对FPC缺陷的特征提取能力。然后在区域分类网络中引入了二元损失函数,增强类间差异性和类内相似性。最后把整个改进的Faster-RCNN算法用于FPC缺陷检测任务中,解决小样本问题。相比原始Faster-RCNN算法,加入三种改进策略的算法m AP提高了5.35%,表明了改进方法的有效性。本文为高密度柔性基板制造过程提供了基于改进Faster-RCNN的缺陷检测技术的参考。