智能手机PCBA（Printed Circuit Board Assembly）溢胶、过焊等缺陷识别是自动化产线的重要保障,而缺陷区域的精确分割是提升缺陷类型及缺陷等级识别准确率的前提。鉴于PCBA零部件的密集性和缺陷类型的多样性,采用多阈值分割技术是一种合理的思路,但多阈值的优化选择缺乏有效的自适应方法。论文以提高智能手机PCBA缺陷区域分割的精度以保证缺陷识别的正确率为研究目标,聚焦多阈值的优化选择,开展了基于布谷鸟群优化算法的缺陷区域多阈值分割算法研究以及基于局部面积效应的缺陷识别研究。主要内容包括:（1）布谷鸟搜索算法在图像分割中的优势及缺陷研究。对比研究了四种常用群智能优化算法。选取多组基本测试函数作为目标函数,通过适应度值大小初步判断四种算法的性能,并将算法应用到经典图像分割上,对比实验结果表明,布谷鸟搜索算法在多阈值优化选择方面具有明显的优势,但同时存在搜索范围受限、易陷入局部最优和缺乏优势解信息学习等主要缺陷;（2）布谷鸟群优化算法研究。采用基于柯西分布和逐维更新的Lévy飞行策略生成候选解,通过正态随机数生成干扰解,采用模拟退火算法中的Metropolis准则从候选解和干扰解中选择优势解,并采用轮盘赌和双向选择随机游走策略强化学习优势解信息,把强化后的优势解作为新解替换淘汰后的解,从而提出一种改进的布谷鸟群优化算法。对比实验结果表明,改进的算法能有效避免传统布谷鸟搜索算法存在搜索范围受限、易陷入局部最优和缺乏优势解学习的缺陷,能有效得到全局最优解且具有较好的鲁棒性;（3）智能手机PCBA缺陷布谷鸟群优化多阈值分割算法研究。针对OTSU多阈值分割算法和SNIC＿信息熵多阈值分割算法均存在多阈值选择缺乏自适应性的缺陷,分别提出布谷鸟群优化多阈值OTSU分割算法和布谷鸟群优化多阈值SNIC＿信息熵分割算法,并应用于智能手机PCBA缺陷分割。实验结果表明,两种新分割算法均在分割精度和鲁棒性方面有明显提升,且布谷鸟群优化多阈值SNIC＿信息熵分割算法整体性能优于布谷鸟群优化多阈值OTSU分割算法;（4）基于局部面积效应的智能手机PCBA缺陷识别研究。针对智能手机PCBA溢胶、过焊两种缺陷等级识别任务,采用基于灰度信息的模板匹配算法实现缺陷区域检测,采用谷鸟群优化多阈值SNIC＿信息熵分割算法实现缺陷区域的精确分割。在此基础上,采用局部面积效应法计算目标缺陷区域像素面积,并结合PCBA产线缺陷等级标准及成像系统的标定参数,提出一种智能手机PCBA缺陷等级识别方法。