随着当前电子技术朝着复杂化、微型化不断发展，表面贴装技术（SMT）已经被广泛应用。钢网是薄不锈钢片由激光切割加工后的SMT模板，作用是通过各种开孔使得PCB板需要焊接元器件的地方有正确位置和适量体积的锡膏留下。钢网切割质量的好坏将直接影响后续SMT的流程以及整批电路板焊接的质量。由于钢网上开孔数量越来越多，开孔大小越来越小，传统的人工目检方式已不能满足当前检测要求。因此本文对大幅面钢网缺陷检测平台的机器视觉算法进行了研究，主要研究内容如下：　　在分析了国内外针对机器视觉自动光学检测设备发展和现状的基础下，确定了钢网缺陷机器视觉检测的系统方案，完成了光学成像系统中各硬件的选型。在图像预处理阶段首先运用大幅面图像拼接算法，随后使用图像中值滤波、迭代法阈值选择算法、双线性插值亚像素阈值分割算法，最后提取钢网开孔重心、面积和轮廓特征。　　在缺陷检测阶段设计了基于最小外接矩形的钢网标准Gerber文件与钢网图像自动配准算法，在实验分析中也证明该算法具有98%以上的成功率。缺陷检测过程中使用基于距离对比和遍历的传统缺陷检测算法对钢网中存在的常规缺陷进行检测，实验验证即使是目前最大尺寸650×650mm的钢网20s内也可以检测出结果并保证准确率。设计出基于轮廓间逐点对比的算法来检测微小毛刺和形状缺陷。随后引入基于深度学习的卷积神经网络(CNN)算法并设计出适用于本应用的模型结构来更智能的检测钢网形状缺陷。训练好的模型在测试集上针对形状缺陷孔的查全率(Recall)达到了98.5%。　　最后通过对比传统缺陷检测算法和深度学习算法在功能多样性、检测效率和准确率上各自的特点，提出结合两者的方案。通过二次监督判定保证系统检测准确率及效率并降低误判孔的影响。　　理论和实验都证明本算法可以很好的适用当前工业领域中的大幅面钢网缺陷检测工作。