印刷电路板（Printed Circuit Board,简称PCB板）因为其标准化,重量轻以及可自动化生产等优点被广泛应用于现代电子行业中,大大提升工业生产效率。PCB板早期的装配主要由人工完成,效率和精度都无法保证,PCB板自动化装配技术的研究已成为必然趋势。随着计算机图像处理技术的快速发展,在PCB板的自动化装配中运用机器视觉技术实现PCB板准确、快速的识别逐渐成熟。PCB板自动识别主要基于图像处理,在该过程中最关键的步骤即图像分割的准确实现,这对于后续目标检测,定位以及装配效率与精度的提高具有举足轻重的意义。本文以PCB板孔及其板上元素为研究对象,首先提出一种图像分割质量评价算法,在此基础上,基于PCB图像区域特性实现了多种分割算法与图像特性的匹配研究并完成图像分割。最后为了提高分割质量,运用深度学习算法进行区域划分优化,达到相对最佳分割效果,主要的研究内容如下:（1）考虑PCB板在图像采集过程中的光线需求,外界干扰影响等因素,搭建了以红色环形光源、光源控制器、工业相机、工业镜头与定制翻拍台为主要组成部分的实验平台。（2）针对现有PCB图像分割质量评价算法匮乏以及敏感度较低的问题,提出一种以边缘特性为依据的PCB图像分割质量无监督评价算法。该算法依据PCB分割图像边缘粗糙度,边缘非连续性以及边缘离散率三个性能评价指标,通过阈值法,区域生长法以及腐蚀膨胀法分别获得相应项评价指标参数值,并结合比重分配原理,获得PCB分割图像质量评价结果。文章基于光照较强,光照较弱以及光照正常三种情况,通过与现有图像分割质量评价算法进行敏感性实验对比,验证该算法在准确性与稳定性上的优势。（3）针对传统图像分割算法与图像区域特性联系不够紧密,致使其分割算法精度提升存在瓶颈的问题,本文开展了基于PCB图像区域特性的图像分割算法研究。文章首先对多种传统图像分割算法适用场景以及特性进行分析,然后依据图像纹理与轮廓对待测图像进行分块,并将分块的图像进行多方面特性的检测评估,通过分块区域特性与传统图像分割算法特性的匹配,最终完成图像分割过程。为探寻影响图像分割精度因素,将PCB板图像进行更多区域划分,实验过程中使用图像分割质量评价算法获取图像分割质量评估结果。（4）针对传统图像分块方式的分块精度并未达到最佳的情况,结合深度学习卷积神经网络框架SSD（single shot multibox detection）,借助原始PCB板图像制作语义标注图像数据集,将其送入神经网络完成训练与调整过程,最终通过测试集验证获得最佳分类准确度与定位准确度,并与其他深度学习网络进行对比分析,从而获取最佳分块精度。（5）基于上述研究,构建了一个基于机器视觉的PCB板图像分割原型系统。在该原型系统中可以实现图像采集,感兴趣区域设定,预处理,不同算法图像分割结果以及对比展示等功能,对于合理选取最佳图像分割算法具有重要意义。