柔性电路板（FPC）近年来的快速发展,使得其广泛应用在航空、军事、手机等多个领域。随着柔性电路板日益复杂,高密集、高集成的发展趋势,给传统的FPC缺陷检查技术带来巨大的挑战。同时,计算机视觉的迅速发展,使用深度学习算法训练的神经网络模型在多个大规模识别任务上取得极大的成功,给图像检测技术带来新的机遇。因此,研究如何将深度学习应用于FPC缺陷检测中,对降低FPC缺陷检测成本和提高检测精度具有重要的研究意义。论文通过对FPC表面缺陷的特征进行分析,提出了多尺度融合特征生成网络,融合浅层纹理特征和深层抽象语义的特征,并结合缺陷的环境上下文特征,构建神经网络模型;之后通过对卷积神经网络模型的权重参数进行分析,实现基于filter级的神经网络模型压缩方法。论文的主要工作及研究内容如下:（1）针对FPC的表面缺陷检测对检测分辨率要求高的问题。在目标检测Faster RCNN算法的基础上,针对Faster RCNN中的特征提取网络中图像信息损失严重,导致图像检测分辨率低的问题,设计了基于特征图的多尺度融合区域生成网络,改善图像检测分辨率。针对FPC的设计规则千差万别,表面特征复杂,缺陷类型繁多且细小的特点,设计了在区域生成网络中加入缺陷环境上下文信息。实验验证该方法相比于Faster RCNN算法下提高了检测识别和定位精度,测试的F-score达到96.7%,具有实际应用价值的检测精度。（2）针对深度卷积神经网络模型计算量大和权重参数过多的问题,提出了知识蒸馏和模型权重裁剪相结合的重复模型裁剪方法。该方法基于filter权重的重要性进行模型剪枝,然后在知识蒸馏的基础上进行模型重新训练,之后重复这种裁减方法直到达到预期修剪的目标。实验结果表明:本文提出的压缩方法在保证检测精度衰减较小的情况下,可以更快的进行模型裁剪,实现模型的压缩与加速。