随着现代化信息技术的发展,微电子产业发展迅猛,印刷电路板（Printed Circuit Board,PCB）是构成电子元器件的基本组分部件,广泛应用于通信、军事航空、工业控制等各个领域。然而,随着PCB朝着高精度、微型化、高性能的方向发展,极大地增加了 PCB质量检验的困难,由于传统人工检验方法具有效率低、易于产生漏检和误检等弊端,传统的人工检验方法已无法适应检测要求。针对上述问题,本文提出了多尺度的Faster R-CNN算法,通过对Faster R-CNN算法进行改进,有效识别PCB裸板存在的缺陷。Faster R-CNN目标检测算法相比于其他常用的目标检测算法,具备测量精度更高、检测速度更快的优势。然而PCB板缺陷具有小目标,多种类的特点,仅采用单尺度进行预测无法满足精确检测的要求,因此,本文从多尺度特征融合和多尺度池化两个角度进行改进,以提升算法的精确度和准确性。通过引入FPN,用ResNet-101代替VGG16作为特征提取网络,将ROI Pooling替换为ROI Align进行多尺度池化的方法提升模型的检测准确率以及检测的效率。具体改进如下:（1）用ResNet-101替代VGG16网络。随着网络层数的进一步增加,可能存在梯度逐渐消失的问题。为了避免梯度消失,将多尺度更好的融入算法中,引入了 ResNet-101的残差网络结构,在加深网络层数的同时,能够为后文多尺度特征融合应用到Faster R-CNN算法模型做铺垫。（2）多尺度特征融合。将FPN网络思想运用在Faster R-CNN算法中。将ResNet-101作为FPN的主干网络,使更深层的高语义信息特征图与浅层目标定位更精确的特征图进行融合,有效地解决图像中识别目标占比小且密集的问题,达到单尺度目标检测网络到多尺度目标检测网络的转变。（3）多尺度池化。在FPN的架构中,ROIPooling需要依据候选区域的尺寸将其映射到特定的特征层上,然后池化到相同的大小。ROI Pooling的这种特征提取方式只包含特定特征层的信息,却忽略了其他层所包含的特征信息,造成极大信息损失。因此本文针对这种问题,提出多尺度特征池化的方式,将对应的候选区映射到FPN所有的特征层中,最后进行ROIAlign然后再融合,极大的丰富候选区域特征。从多尺度特征融合以及多尺度特征池化两个角度完成对Faster R-CNN算法的改进,实验表明,模型的平均精度均值（mAP）达到了 86%,相比改进之前提高了约8%,够对PCB裸板存在的余铜、鼠咬、短路、断路、毛刺、空洞缺陷进行高精度的检测、定位和识别,有效提升的算法的性能,解决了 PCB板缺陷多种类、多特征的识别问题。