随着现代电子产业的飞速发展,印刷电路板(Printed Circuit Board)逐渐出现了多样化、小型化、高密度的科技产品,同时对焊点质量的检测提出了更高的要求。在生产过程中由于材料、工艺等加工因素而使得贴片产品有着各种各样的缺陷出现,例如:焊锡过少、焊锡过多、未焊等。在生产线上通常使用人工目检的方法对产品进行检测,但此法费时费力且检测精度远不能满足现代生产的需求,研究用计算机视觉来代替人工视觉进行焊点检测的方法,从而提高焊点检测识别率保证产品质量的可靠性和稳定性具有极其重要的意义。针对生产线上电子元件焊点图像的特点,本文研究了基于图像处理的焊点质量检测方法,对SMT焊点缺陷进行识别,以便提高产品质量、降低生产成本。本文的主要工作如下:首先,研究常用的图像预处理算法,包含图像归一化、图像滤波、图像对比度增强等,在预处理的基础上对焊点的几何特征和小波特征进行提取,并在MATLAB实验环境下,完成不同算法的仿真实验。其次,为了简化问题减少数据冗余,得到更科学有效的特征信息,提出了一种基于主成分分析的特征融合方法,减少了实验的复杂度,获得有效的焊点图像特征,为后续焊点质量的检测奠定了基础。然后,针对BP神经网络存在训练时间长、易陷入局部极小值的缺点,提出一种基于粒子群改进的BP神经网络算法。针对传统的极限学习机算法存有的一些输入权值与隐含层的偏差为0而导致隐含层的节点失效的问题,提出搭建PSO-ELM焊点分类模型。最后,分别建立了优化后的BP神经网络和极限学习机模型进行实验,分析两种不同模型的实验结果,发现两者的检测率都受训练样本数的影响,BP神经网络识别率稍高于极限学习机。实验结果表明本文提出的主成分特征融合法能够提高焊点检测的速度,经粒子群优化后的算法具有较好的质量检测效果,提高了焊点质量检测的准确率及效率。