印刷电路板（Printed circuit board,PCB）是大多数电子设备的关键组成部分,在电子信息产业中有着十分重要的地位。随着PCB裸板不断朝着高密度化的方向发展,PCB厂家对PCB产品的质量提出了更精密的要求。而传统检测方法已经满足不了PCB检测需求,在工业生产中对PCB表面进行缺陷检测逐渐成为研究热点和难点。本文针对常规检测算法对PCB裸板表面缺陷检测精度不高的问题,研究基于深度学习的PCB裸板表面缺陷检测方法。主要工作如下:（1）针对目前PCB裸板表面缺陷检测方法中存在缺陷较小、缺陷形状多样化导致识别率低等问题,提出了基于多尺度特征融合和可变形卷积的PCB缺陷检测网络（DCR-FRNet）。DCR-FRNet中将Faster RCNN作为基准网络并进行改进优化,将Res Net-101作为基础的特征提取网络,构建了多尺度融合的特征金字塔,其次引入可变形卷积替代常规卷积,应用残差池化解决模型复杂性问题。实验数据表明提出的DCR-FRNet相对于基准网络检测精度有了很大提升。（2）针对工业生产中采集的PCB图像含有噪声,而现有的去噪算法效果不佳、计算量大、无法从目标特征中将噪声特征区分开等问题,提出了基于多尺度扩张卷积的噪声抑制网络（DF-DNet）。在DF-DNet中应用多尺度模块提取不同层次的特征图,使用扩张卷积来捕获更多特征,利用BRN解决小批量问题,并应用带有跳跃连接的残差学习获得干净的图像。将提出的DF-DNet与传统的去噪算法以及近几年针对PCB噪声图像的几种去噪方法在PCB图像上进行去噪对比实验,说明了DF-DNet去噪效果的有效性。（3）针对DCR-FRNet对有噪声的PCB裸板检测效果不佳的问题,通过将噪声抑制网络添加到DCR-FRNet中,提出了一种新的PCB裸板表面缺陷检测方法（DD-DNet）。在DD-DNet中利用K-means对PCB缺陷的尺寸进行聚类,基于聚类结果微调anchor大小并使用改进后的损失函数（DIo U）作为回归损失函数,训练过程中冻结噪声抑制网络参数,以便能更好地完成训练。实验结果表明,提出的DD-DNet网络相对于基准网络能够更有效地识别缺陷,检测精度m AP达到了96.28%,同时DD-FNet对含噪声PCB裸板也能有效地检测出缺陷,说明了本文提出的PCB缺陷检测算法是有效的。