引线框架作为半导体芯片的载体,是半导体封装领域所用到的重要基础原材料,主要用来保护半导体芯片免受外界物理或化学因素的损害,并同时用作导通介质。引线框架的生产方式是利用引线框架掩模在曝光机上对生产原材料（铜基板）进行曝光,将曝光后的半成品进行显影、蚀刻、电镀等工序后获得成品。若曝光环节出现的缺陷未被检出,会导致后续环节中的错误进一步扩大,所以生产厂商都会在曝光环节设立检测点。引线框架曝光缺陷尺寸微小且复杂多变,在检测流程中容易出现精度低和耗时长的问题。目前国内引线框架曝光缺陷检测仍采用人工目检的方式,该方式极容易受工人操作水平及主观因素的影响。由于深度学习在缺陷检测领域具有出色的性能表现和广泛的适用性,因此,本文基于深度学习方法对引线框架曝光缺陷检测进行了相应研究。主要工作如下:（1）针对引线框架曝光缺陷检测精度低的问题,本文提出一种基于残差网络的多尺度特征融合缺陷检测算法。选择Faster R-CNN为基础网络,使用Res Net-50作为主干网络,并在残差模块中引入可变形卷积,使得主干网络具有更灵活的感受野,提升特征提取的准确性。在区域建议网络中引入了特征金字塔结构来融合不同尺度的特征层,更精准地生成建议框,并在上采样时采用内容感知与特征重组算子避免小目标信息流失。最后在企业提供的引线框架数据集上进行实验,结果证实了所提算法在检测曝光缺陷上的优越性。（2）为了满足引线框架曝光缺陷检测对速度和精度的需求,本文提出一种基于多级特征增强的缺陷检测算法,选择YOLOX为基础网络,在主干特征提取网络的三个特征提取层引入了三维注意力机制来增强对重点区域信息的获取能力,并改进主干末端空间金字塔池化的池化规则,在保持检测精度的同时,加快网络推理速度。在颈部网络中,增加自适应特征融合模块,提高不同层级特征图的表达能力。最后,修改置信度损失为Varifocal Loss,解决在检测流程中的类别失衡问题,提高网络对缺陷的定位能力。实验证明,所提算法在检测精度和检测速度上皆得到了良好表现。