在电子元器件的生产、应用以及回收利用等方面,其分类和定位都是十分重要的基础工作。随着科学技术的进步,电子元器件种类日渐趋多,且朝着微小化、片式化的方向演变,人工目检和传统的图像分类、图像检测方法已经逐渐地不再适用于当下的环境。同时,为了解放人力,实现生产的自动化,而当下的研究热点卷积神经网络即可以满足这一要求也在图像特征学习领域表现出众,因此本文提出将电子元器件的识别和定位与卷积神经网络相结合。为了简单高效地对电子元器件进行识别分类,本文将电子元器件的分类和卷积神经网络相结合,提出了一种基于卷积神经网络的电子元器件的识别方法。与图像识别的传统算法相比,该方法只需对输入样本进行简单的预处理,就可以作为输入用于网络模型的训练,而且卷积结构能减少参数量级,减轻计算的复杂度。本文构建了一个用于训练和测试的样本集,最后样本分类的平均精准度达到了92.20%。通过该实验结果表明,即使没有对图像进行复杂的预处理,卷积神经网络模型也能自动进行特征提取,能对多种电子元器件进行分类处理,识别效果好且更简便,攻克了传统图像分类算法的许多缺点。而针对在一块电路板上多种电子元器件的定位问题,本文基于像素和基于提议区域两种基本的语义分割模型,提出了两种不同的分割方法:跨层式语义特征融合的分割方法、共享式语义特征融合的分割方法。这两种方法改进了现有的网络模型:1、第一种方法通过优化网络结构:改写训练网络的输入方式,利用transplant方式获取预训练网络训练完成后的权重,将多层池化层的输出进行多尺度融合。训练结果表明,该方法能对多种电子元器件进行同时定位,电子元器件定位的平均精度达到了83.00%、平均交并比达到了0.78,并且当向训练完成的网络中输入测试图片,该网络能输出分割效果较好的语义分割图片。2、第二种方法通过将不同的卷积神经网络共享提取出来的卷积特征,并定制网络训练的方式,在其中揉入非极大值抑制算法(Non-Maximum Suppression,NMS)等,来优化检测框的结果,实现了电阻、电容、IC芯片等多种电子元器件的高效定位,通过训练该语义分割网络,这三种电子元器件的查准率分别达到了80.22%、67.54%、99.98%。测试阶段,这些电子元器件的平均精确度均在90.00%之上。这两种方法在保证精准度的同时,均能实现定位的实时性。