电子制造业是为国家新一代信息技术产业提供关键技术装备的战略性、基础性产业。表面贴装技术（Surface Mount Technology,SMT）产线是电子制造行业的典型产线。如今电子产品正朝着功能多元化、尺寸精细化、器件复杂化的方向发展,对SMT产线产品质量提出了新要求。目前SMT产线生产过程普遍存在产品质量精细化管理程度较低,产品设计研发数据、生产数据、质检数据关联性较差,产品质量分析滞后及预测性差等问题。传统的统计分析方法无法有效提取海量无序数据中的知识和规律。目前机器学习、深度学习等方法在解决多个领域的预测性问题上表现突出,为SMT产线质量预测提供了新契机和新方向。因此,本文结合机器学习、深度学习等方法开展面向SMT产线的质量预测方法研究,主要研究内容如下:（1）构建SMT产线质量预测总体框架。首先对SMT产线工艺流程进行了介绍,并对SMT产线各个阶段的生产数据进行了详细梳理,对SMT产线数据特点进行总结。在此基础上确定SMT产线质量预测指标,将经过印刷后焊盘上的锡膏是否发生缺陷作为SMT产线质量预测第一级质量预测指标、将发生缺陷的锡膏其所对应的具体缺陷类型作为SMT产线质量预测第二级质量预测指标。将批次合格率作为SMT产线质量预测第三级质量预测指标。并依据分析结果最终确定了SMT产线质量预测总体框架。（2）构建SMT产线印刷质量预测模型。基于集成学习和深度神经网络构建集成DNN印刷质量预测模型对第一级质量预测指标进行预测,通过Boosting集成思想对DNN弱学习器预测结果进行集成,对印刷后焊盘上的锡膏是否发生缺陷进行预测。（3）构建SMT产线印刷缺陷预测模型。基于改进CNN印刷缺陷预测模型对第二级质量预测指标进行预测。首先通过特征交互对发生缺陷的生产数据进行特征扩展,将扩展后的数据作为改进CNN缺陷预测模型的输入,对发生的具体缺陷类型进行预测。（4）构建SMT产线合格率预测模型。基于XGBoost模型对SMT产线合格率进行预测。首先采用随机森林算法进行SMT产线合格率预测特征选择,然后利用PCA算法进行SMT产线合格率预测特征提取。将特征选择和特征提取结果作为XGBoost模型的输入,对SMT产线合格率进行预测。通过建立多个对比模型,利用产线实际生产数据对本文提出的方法进行实例验证,证明了本文方法的有效性和实用性。