随着电子工业技术的不断进步与发展,各电子产品生产厂商对电子器件的需求量也在急剧增加。在自动化生产过程中,难免会出现存在内部物理缺陷（如气泡、空洞、裂纹及杂质等）的电子器件。早期,各生产厂商会采用人工排查的方式或图像处理相关的算法过滤存在缺陷的器件。然而,这些方法不仅耗时而且检测精度较低。随着深度学习的发展,使得利用该技术快速、准确地检测存在缺陷的电子器件成为一种可行方案。本文为了提升电子器件缺陷检测的正确率和在复杂场景下进行检测的鲁棒性,开展了基于深度学习的电子器件缺陷检测的研究工作。其主要内容包括:1.研究基于深度学习的图像分割算法,提出了加权混合注意力模块和全尺度深监督模块。加权混合注意力模块是对特征层的空间域和通道域注意力加权叠加而形成的结构。该模块虽然引入了少量参数,却极大地提升了检测精度。全尺度深监督模块在不影响检测速度的情况下,提升了网络的稳定性。2.研究基于深度学习的目标检测网络中各模块的设计原理及技巧,提出了基于混合注意力网络模型改进的主干网络结构、全尺度特征加强模块和旋转检测框表示方式及其损失函数调整策略。改进的主干网络结构是对加权混合注意力模块的进一步应用与验证;全尺度特征加强结构旨在充分利用主干网络结构的特征信息,并使用较少的参数量提高检测的精度和速度;针对本检测目标存在不同的旋转角度的问题,提出了一种旋转检测框表示方式。并基于CIoU损失函数进行调整,提出了一种适用于本旋转检测框的损失函数。经实验验证,本网络可以获得高达98.980%的mAP50和57.364%的mAP测试结果,并且在实际应用中能达到99.4466%的缺陷正确检出率。3.基于以上研究,开发了一款电容缺陷检测软件系统。本软件可用于帮助电容生产厂家排查存在缺陷的电容器件,以此保证其产品质量。该软件为用户提供了数据集预处理（标注和数据扩充等）、模型训练及模型测试等功能,同时还具备图片展示及图片操作（平移及缩放等）的功能。