随着科技水平的飞速发展,电子产品早已成为生产和生活中不可或缺的一部分。在电子产品生产与加工过程中,对电子元器件进行实时准确计数是提高其自动化程度的重要环节。而电子元器件具有种类繁多、形状各异、尺寸微小等特点,传统上通过长度、质量进行人工估算的计数方法缺点明显:操作繁琐、速度慢、计数精度受人的工作状态影响。为了解决人工计数效率低的缺点,先提出一种基于图像处理的电子元器件计数算法,但实验结果表明该算法的准确率依赖于参数的人工调整,并且处理过程需要对图像像素值进行大量的访问,因此检测速度较慢。卷积神经网络(Convolutional Neural Networks,CNNs)因其模拟人脑视觉的处理机制,具有自动学习样本特征的特点,因此在目标识别领域比其他传统方法有更大的性能优势。尤其是近年来提出的基于卷积神经网络模型的区域定位网络模型(Regions with CNN,R-CNN),Fast R-CNN网络模型和Faster R-CNN网络模型,在目标识别领域取得了很好的检测性能。针对基于图像处理计数算法的弊端和Faster R-CNN网络模型无法很好解决小尺寸的、分布太密集的或者倾斜放置的电子元器件易出现漏检的问题,提出了一种改进的基于Faster R-CNN网络模型算法,从多卷积层信息融合、上下文信息扩展和位置敏感卷积与池化这三个方面进行优化。实验结果表明,对于测试集数据,优化的算法检测速度比基于图像处理计数算法更快,并且计数的准确率从87.8%提高到98.3%。最后本文实现了一种基于所提出改进算法的电子元器件计数软件系统,具有很好的实际应用价值。