深度学习中的卷积神经网络由于拥有自主学习图像特征的特性,表达能力、泛化能力强,为缺陷检测方案的研究提供新方向。目前深度学习缺陷检测方法都是使用基于锚框机制的目标检测算法,需要针对不同缺陷设计大小、比例合理的锚框。为了进一步减少算法设计时的人工干预,本文以印制电路板缺陷为研究对象,提出一种基于无锚框思想的缺陷检测算法,避免需要根据缺陷尺寸预设不同尺度锚框的步骤。本文的主要研究工作和成果如下:（1）设计了一种无锚框印制电路板缺陷检测算法。该算法基于无锚框思想,通过特征金字塔网络结构,直接预测多个检测层上特征点为某类缺陷中心的概率、对应缺陷的宽高映射系数以及缺陷中心偏移系数来完成缺陷的准确识别和定位,解决了目前基于深度学习的缺陷检测方法需要人工预设合理尺度锚框的问题,泛化性能更强。（2）采用注意力机制来对提出的无锚框印制电路板缺陷检测算法进行优化。首先,嵌入一种目标层面的空间注意力机制模块,对模型的空间注意力机制进行显式学习,突出缺陷目标的整体位置。其次,使用带有SE模块的主干网络,提高特征图中关键通道信息的权重,突出缺陷目标的关键特征。通过融合两种注意力机制对无锚框缺陷检测方法进行优化,进一步提升了对印制电路板上缺陷的检测精度。（3）在北大智能机器人开放实验室开源的印制电路板缺陷数据集上进行训练和验证。优化前的算法,在Mobile Netv2、Res Net101、Res Ne Xt101三种主干网络上都取得了优良的检测性能,其中以Res Ne Xt101为主干网络时,m AP达到了96.43%。优化后的算法,以Rse Net101为主干网络时,m AP提高了0.73%,最终达到96.50%。实验结果表明,所提算法在检测性能上有优良的表现,同时无需根据不同类别缺陷预设合理锚框,减少了算法设计时的人工干预,易于拓展到其他缺陷检测任务,泛化性强,具有很大的实用价值。