印制电路板（Printed Circuit Board,PCB）是电子设备中放置大量元器件的基本载体。PCB的质量将直接影响电子设备的性能,因此在PCB组装过程中进行缺陷检测是至关重要的。传统的缺陷检测方法效率低、成本高,不能满足现阶段大规模PCB检测的要求。本文基于双目视觉和深度学习技术对PCB三维检测进行了深入研究,针对PCB制造中元器件的漏插、多插、错插缺陷进行检测。本文设计与实现了一个电路板元器件缺陷检测系统,该系统由元器件检测、PCB三维重建和缺陷分析三部分组成。针对PCB元器件检测问题,利用轻量级网络模型识别和定位PCB图像上的元器件,实现元器件检测;针对PCB的三维重建,提出改进的ADCensus立体匹配算法,降低了误匹配率,提高了三维重建精度,利用重建获取的元器件三维信息实现对同类异型元器件的检测。本文主要研究内容如下:首先,研究了census算法和ADCensus算法,提出改进的ADCensus算法。本文改进的ADCensus立体匹配算法在匹配代价计算时,在census变换阶段对图像的颜色信息和灰度信息同时处理,然后融合AD变换。实验结果表明改进算法的误匹配率较前两者算法有所下降。其次,介绍了一些经典目标检测算法,并分析了各类目标检测算法的优劣势和检测效果。受Faster R-CNN算法和Pelee Net网络的启发,本文改进并建立了轻量级的目标检测模型。介绍了轻量级网络结构和元器件数据集的获取和训练过程,实验表明该算法在PCB元器件的检测时间和检测精度上表现良好。最后,在获取PCB视差图和点云数据坐标的基础上,重建了PCB三维点云模型。并对其重建精度进行了评价,测量的平均误差为4.13%,表明本文对PCB的三维重建在一定误差允许范围内基本反映了电路板的真实尺寸。利用重建获取的元器件三维信息与标准电路板同位置元器件三维信息进行对比,完成对同类异型元器件的缺陷检测,元器件三维数据总体平均误差为6.6%。最后对本文基于双目视觉和深度学习的PCB三维检测系统进行了实验和性能分析,本系统总体的元器件缺陷检测准确率为91%,基本实现了对PCB上元器件漏插、多插和错插的缺陷检测,可以满足工业生产上对电路板元器件缺陷检测的需求。