芯片是微电子行业中重要的元器件，越来越多的芯片制造企业在生产线上采用了各种自动检测装置，以确保芯片质量的可靠性。传统芯片缺陷检测的方式主要是依靠人眼，但在现代的高速生产线上，由于人工检测方法存在视觉疲劳、环境恶劣、实时性差等问题，仅依靠传统的人眼检测难以保证其可靠性。本文以贴片类芯片一些常见的表面缺陷为检测对象，对芯片在线检测和识别的关键技术进行较为系统的研究，以期用机器视觉技术代替人工检测，主要研究内容如下：(1)图像采集系统硬件设计及图像预处理算法研究。基于对工业视觉检测应用中相机和镜头选用原则的分析,以获取高质量的图像为目标，结合芯片表面常见缺陷检测精度要求，确定出本课题所需相机、镜头和光源。在获取芯片高质量图像的基础上，对芯片图像进行预处理，主要目的是获取芯片图像的轮廓，该过程包括图像的灰度化、中值滤波、阈值分割、轮廓提取。采用中值滤波去除噪声，而后采用最大类间方差阈值法来分割图像。在此基础上，通过对传统边缘检测算子不足的分析，对芯片轮廓的提取采用八邻域轮廓像素差，可以得到清晰的边缘。(2)芯片缺陷图像的特征提取技术及识别方法研究。对预处理后的芯片图像的缺陷进行特征提取，主要是利用不变矩的旋转平移不变特性和几何定位特性来校正芯片图像的位置，再用模板帧差法对芯片的缺陷进行提取并计算出缺陷的几种常见参数。对于复杂的芯片表面而言，形态特征在一定程度上可以作为芯片缺陷检测和识别的重要依据。以提取出的芯片缺陷参数为标准，对芯片缺陷进行识别和分类，文中提出了以芯片缺陷的几何形态特征来构建缺陷图像的统计特征量。同时针对传统BP和RBF神经网络算法所存在的缺点和不足，提出了一种以优选聚类法和梯度法相结合的混合RBF神经网络算法来对芯片缺陷种类进行识别。实验结果表明该算法识别效率高，能满足芯片缺陷检测识别的实时性要求。(3)视觉检测系统的硬件平台设计。将芯片缺陷检测系统的移植到嵌入式系统上，通过对现有的嵌入式系统平台和操作系统的分析，考虑到芯片检测识别系统移植的困难程度，故将芯片缺陷检测系统移植到搭载Wince操作系统的ARM平台上，在嵌入式平台上可以完成对芯片缺陷的检测和识别。