印刷电路板（PCB）是电子设备的关键组件,但其生产制造过程中受到多种因素的影响,容易导致缺陷的产生,使得PCB无法使用。自动光学检测技术是辅助生产人员进行缺陷检测的常用方法,已广泛用于PCB生产中。但是该方法定位出缺陷后仍需要人眼进行验证。这个过程人工成本较高,且效率较低。本文针对PCB缺陷检测技术展开研究,旨在实现一种基于深度学习的自动PCB缺陷检测方法,减少人工操作,提高生产效率。本文主要工作如下:一、在PCB生产线上采集了缺陷图像样本,建立了一个具有实际应用价值的真实PCB缺陷数据集。对该数据集进行整理、分析后发现,PCB缺陷主要存在以下2个特点:1)尺寸较小;2)与背景较为相似。针对性地构建了一个基于特征金字塔结构的网络（FPN）用于PCB缺陷检测。实验结果表明,与主流的目标检测算法相比,FPN效果较好,m AP达到了94.86%,但仍存在进一步优化的空间。二、针对PCB缺陷尺寸较小,容易导致漏检的问题,提出了一种基于改进特征金字塔的小目标PCB缺陷检测网络（IFP-STDDNet）,创新点主要包括:1)构建一种双向特征金字塔结构,补充了整个特征层次的浅层信息;2)采用K-Means聚类算法调整锚框的尺寸大小,生成了更为精准的候选区域;3)使用ROI Align代替ROI Pooling,减少了量化误差带来的影响。实验结果表明,IFP-STDDNet对小目标PCB缺陷的检测是有效的,与FPN相比,m AP值提升了1.7%。三、针对PCB图像中缺陷与背景相似,容易造成误检的问题,在IFP-STDDNet的基础上进行优化调整,提出了一种基于前景信息增强的小目标PCB缺陷检测网络（FIE-STDDNet）,创新点主要包括:1)引入SE通道注意力机制,加强了有用特征的表达;2)加入空间注意力机制,生成了前景信息更加敏感的位置特征图;3)采用在线难例挖掘策略,解决了正负样本不平衡问题。实验结果表明,FIE-STDDNet可以有效地检测出与背景难以区分的小目标缺陷,与IFP-STDDNet相比,m AP值提高了1.32%。