随着芯片集成技术的飞速发展,使得BGA封装技术更加的普及,封装的环境也越来越复杂,导致X-Ray探伤生成的射线图像的背景干扰也变得多种多样,造成基于传统算法的BGA气泡检测已经渐渐不适用于当前环境。因此,本文针对BGA焊球在X-Ray探伤检测中存在的背景干扰复杂、焊球气泡对比度低以及部分焊球存在边缘气泡误分割的问题,展开了一系列的研究。首先,针对在BGA射线图像检测过程中,易受到线盘、芯片等复杂背景因素干扰的问题,提出了一种基于全卷积网络的目标焊球区域提取方法。该方法首先对目标焊球区域制作BGA标签数据集,并对数据集进行增强扩充;然后搭建适合提取数据集特征训练的全卷积网络模型,数据集通过在该网络上进行训练调参,得到最终合适的网络模型;最后对待测图像进行焊球区域提取。实验表明,该方法可以使BGA射线图像的复杂背景因素完全去除,从而有效提取出目标焊球区域,为后处理细分割打下基础。然后,针对BGA焊球内部气泡分割识别过程中,存在部分焊球的边缘气泡像素级与背景像素级接近,使得焊球气泡分割不精确的问题,提出了一种基于K均值聚类焊球气泡分割方法。该方法在BGA图像经过全卷积网络的粗分割提取基础上,首先对焊球区域图像进行去噪处理,再利用增强算法提高气泡缺陷对比度;然后采用K均值聚类算法将焊球、气泡和背景分别聚成不同的簇;最后采用数学形态学和区域生长算法对分割图像进行优化,得到最终BGA气泡分割图像。实验表明,该方法可以有效将BGA焊球内部细小气泡及边缘气泡分割出来。最后,研究了焊球缺陷标记识别算法。对焊球分割图像进行气泡缺陷计算与标记,统计BGA图像中焊球合格情况。并通过与传统BGA分割算法进行结果对比。实验表明,本文所提方法的分割结果更精确,准确性更高。