随着电子产品逐渐面向高集成化及小型化的发展趋势,传统的封装形式已经无法满足高可靠性、高质量以及小轻薄的封装需求,故而寻求高质量的封装技术和焊接工艺已经成为业界的发展重点。BGA封装芯片为倒装焊器件,具有体积小、引脚数多且间距大及电气性能更佳等优点,而BGA焊点质量取决于焊接工艺调控且直接影响元器件的机械电气性能。因此将对焊点故障诊断与工艺故障溯源技术结合,是优化焊接工艺、保证焊点质量良好的重中之重。本文主要将多种机器学习算法进行概率融合实现焊点故障诊断,并对造成焊点故障的主要工艺原因溯源,即工艺故障溯源方法进行研究。本文首先针对焊点连桥、焊点空洞、焊点过大以及焊点过小等故障类型,依据IPC-7095D和IPC-A-610G标准对其进行定义,并通过对回流焊接工艺的深入探究设计了BGA焊接试验方案,利用X-ray检测设备对焊后的BGA焊点采集了50000条几何参数信息与40068条温度参数集。为了使数据中每个特征都处于相同的范围内且在同一量级,在故障诊断模型中采用随机划分的方式将数据划分为30000条训练数据和2000条测试数据,而在工艺故障溯源模型中通过聚类分析的方式将数据划分为75%作为训练集和25%作为测试集,并在数据输入模型之前进行润色,以便更好的实现模型训练及测试。其次,设计了焊点故障诊断模型与工艺故障溯源模型,并分别对它们进行了模型性能分析。通过融合20%权重的SVM分类器、50%权重的RF分类器及30%权重的二维CNN网络结构进行BGA焊点故障诊断,即所提的多模型融合故障诊断方法（MMF）,并分别与SVM和RF分类器的诊断结果进行比较验证,实验结果表明,MMF诊断模型将精度提高至98.36%,既兼顾了可解释性,又使模型具有良好的稳定性。进一步的,针对回流焊接过程中温度特征参数包括升温速率（Kp）、降温速率（Kc）、预热时间（Tp）、保温时间（sT）、液相线时间（rT）以及峰值温度（R）的不合理设置,基于MMF诊断模型对焊接工艺故障进行溯源,但为了提高模型性能使用SENe T网络对模型进行改进,并与MMF模型进行对比分析。结果表明:改进后模型的溯源结果为Kp（29）Tp（29）R（29）Tr,它们的故障率占比高达88.21%,并达到了97%的溯源精度,提高了3.8%。最后,基于PyQt5跨平台工具库、Django框架和Vue框架开发云端可视化系统。为了增强故障诊断模型与故障溯源模型的集成性和实际应用可行性,使用Django搭建后端框架来提升安全性且数据库选择了mysql,采用Py Qt5可以避免在进行数据预测时会发生主线程卡死;而云端系统的前端框架采用了Vue,为工程师周期性调控模型提供便利。