随着信息技术和经济的高速发展,电子产品更新的速度越来越快,电子元器件越来越微型化、集成化,电子元器件的视觉检测难度大大提高。近年来,目标检测经历了前所未有的进步,但是由于小目标的本身尺度变化、图像分辨率比较低、轮廓模糊以及信息量匮乏等问题的存在,小目标和大目标的检测性能之间仍然存在着巨大的差距。本文通过分析电子元器件在视觉目标检测时的难点,针对电子元器件尺寸小的特征,以生产线上的电子元器件为研究对象,提出了基于HSV色彩空间的彩色图像运动模糊去除算法、基于特征融合和特征增强的SSD改进算法-FDESSD算法,并在搭建的硬件平台上对电子元器件进行检测,验证了该算法的优越性。主要研究内容如下:1.基于HSV色彩空间的彩色图像运动模糊去除算法。针对工业场合的电子元器件检测因生产线运动或相机运动导致图像存在运动模糊的问题,分析研究了运动模糊去除算法,针对运动模糊对HSV色彩空间中每个通道的影响差异,提出了一种基于HSV色彩空间的彩色图像运动模糊去除算法,在HSV色彩空间的不同通道中,利用基于频谱边缘检测的Radon变换来估计模糊核,然后在每个通道中基于Richardson-Lucy引导滤波器进行去模糊恢复。2.基于特征融合和特征增强的SSD改进算法。针对电子元器件尺寸小的特点,以及现有的目标检测算法对小目标检测效果不佳的问题,提出了基于特征融合和特征增强的SSD改进算法（Feature Deconvolutional-fuse and Feature Enhancement SSD,FDESSD）,通过将浅层特征和深层的语义特征进行融合,并且使用SE（Squeeze and Excitation）模块对检测层进行特征增强以提高小目标的检测效果;通过实验对不同模块进行分析,并使用MS COCO数据集进行算法性能的评估,通过训练和测试,在检测精度上,FDESSD的m AP（Mean Average Precision）达到了50.8%,比SSD提升了7.7%,验证了FDESSD算法的有效性。3.电子元器件目标检测系统评价实验。针对目前不存在公开电子元器件检测数据集这一问题,选用工业相机、镜头、照明方案以及PC机等搭建了简单的实验环境,选择常用的17种电子元器件建立了电子元器件数据集（Electronic Component Detection Dataset,ECD）,对该数据集进行了图像数量合理性评估,并且使用四重交叉验证证明了数据集的均匀;FDESSD算法在该数据集上的检测性能均优于目前先进的目标检测算法。