当今社会正处于大数据时代,各行各业所产生的数据蕴含海量知识。但这些知识具有冗余程度高、特征表达不明显等特点,因此不能直接从中获取有用的知识,这就意味着需要高效通用的方法进行数据分析。分类算法是计算机认识和识别真实世界的一种重要手段,同时也是将海量数据进行归类整理的一种高效方法。支持向量机是众多分类算法中的一种,其因具有较为完备的理论支撑并且在数据集上展现了良好的分类性能而被广泛应用。但该算法的参数选择直接影响着模型的分类精度和泛化能力,因此通过优化模型参数来提高分类精度和泛化能力是当前支持向量机算法的一个研究热点。粒子群优化算法是一种依据鸟群的觅食行为提出的群智能进化算法。运用这种算法搜索时群体间的每个粒子都能够独立搜索但又存在信息交互,这种并行性使得该算法具有搜索速度快和寻优精度高等优点,从而得到了广大学者的关注。大量实验表明,粒子群算法在参数搜索上具有一定的优越性。但是基本的粒子群算法在搜索过程中存在着种群早熟和搜索容易陷入局部最优等问题。本毕业论文针对基本粒子群算法进行改进,并将其用于支持向量机的参数搜索,最后应用在工业上手机触摸屏覆膜气泡检测的实际项目中,主要包括以下内容:(1)针对基本粒子群算法寻优时容易陷入局部最优和出现种群多样性减弱的问题,提出基于遗传免疫改进的粒子群算法(GAIPSO)。该算法主要在三个方面进行了改进:1)将带有免疫机制的遗传交叉操作引入到基本粒子群算法中,改善因群体影响导致种群多样性降低的问题;2)增强粒子的邻域搜索能力,提高其陷入局部最优时的挣脱能力;3)增加粒子越边界处理机制,消除超出边界的粒子带来的不利影响。本文利用基准函数对GAIPSO算法进行仿真实验,验证了GAIPSO算法在精度和收敛速度上的优越性。(2)针对支持向量机参数的选择影响着模型的分类精度和泛化能力的问题,首先利用组合核函数代替单一核函数,使其能够搜索到更加适合的映射空间,再将GAIPSO算法用于支持向量机的参数搜索。本文过UCI人工数据集的测试,结果表明在分类任务上,经过GAIPSO算法优化参数后,支持向量机的分类精度和泛化能力有一定的提升。(3)针对工业缺陷目标检测存在误检数量大的问题,将常用的深度目标检测方法Faster-RCNN中的softmax函数替换成GAIPSO优化后的支持向量机。同时将其用于手机触摸屏覆膜气泡检测的实际生产项目,检测结果以误报率和过滤率下降以及直通率上升定量地说明了改进的检测方法能够提升检测精度以及对实际生产具有实用价值。