点胶是微电子封装和表面贴装中必不可少的工序之一。时间-压力式点胶因为结构简单、设备维护方便而被大规模使用,但其缺点在于难以保证出胶量的高精度和高稳定性。长期以来,人们一直在研究如何对时间-压力点胶系统进行建模,以便实现自动控制。然而由于点胶涉及胶体流变特性和气体可压缩性,模型的效果和精度较难保证。近年来,随着深度学习技术的发展,深度神经网络被广泛应用于工业生产和自动控制领域。深度神经网络具有较强的非线性模型拟合和泛化能力,因此近年来也被应用于流体相关领域的研究。本文将深度学习技术用于时间-压力点胶系统出胶量的补偿,提高出胶量的精度和稳定性,主要工作如下:1.在总结时间-压力点胶技术原理的基础上,结合实验分析,对出胶量影响因素进行了分类讨论和筛选,构建了选择了出胶量补偿模型的输入输出数据格式。2.在分析深度学习技术及常见深度神经网络模型的基础上,根据数据的特征与性质,结合实验分析,设计出了基于门控循环单元（GRU,Gate Recurrent Unit）和全连接神经网络（FCNN,Fully Connected Neural Network）的复合神经网络结构,通过实验采集数据集,并确定了网络模型的层数、节点数、激活函数、优化器类型。3.对补偿模型的性能进行了验证,与BP神经网络等其他6种结构的深度神经网络进行了比较,对比了测试数据的均方根误差和平均绝对误差,本文提出的模型在拟合能力、抗过拟合能力和泛化能力方面都有更好的表现;在搭建的点胶实验平台上,实验了补偿效果和点胶稳定性,通过测试补偿前后胶点的重量和多次点胶时胶点重量的变化,验证了本方法的简便性、有效性和可实现性。本文提出的基于GRU+FCNN的复合神经网络结构,用于时间-压力点胶系统的出胶量补偿,表现出较好的性能,并在点胶实验平台上进行了验证。该方法可以实现一定范围内任意气压条件下的气动点胶补偿控制,具有较好的应用前景。