近年来,智能制造中的机器视觉技术已广泛应用于制造业中,改善了现代化生产线的生产效率,同时也降低了工人的劳动强度,机器视觉中的三维重建技术在视觉定位中起到了重要的作用,受到了学术界和工业界的广泛关注。三维重建技术的发展有效地提高了视觉定位的精度和效率,但目前三维重建技术水平还无法满足工业生产中对小目标物体视觉定位的精度和效率需求,阻碍了制造业中机器视觉技术的应用。针对上述问题,本文开展了基于深度学习的电子元器件视觉三维重建方法研究,主要研究内容及相关结论如下:（1）基于自监督学习的电子元器件视差估计方法研究。首先,采集电子元器件双目数据集,并利用图像处理技术对数据集进行扩充。然后,提出一种基于自监督学习的双目视差估计网络框架用于端到端视差预测任务,同时,考虑到电子元器件存在易反光、纹理弱等难点,提出了一种融合二维视差注意力（Two-dimensional Parallax Attention,2D-PA）模块的网络结构,该结构利用立体匹配特性学习左右图像的相似性。最后,利用三种不同权重的损失函数相结合指导网络进行端到端的视差估计训练任务;开展了KITTI（一种常用的双目立体视觉数据集）和电子元器件数据集中的对比实验,结果表明,融合2D-PA模块的自监督立体匹配算法在各种评价指标中表现出更高的视差估计精度。（2）基于有监督学习的电子元器件视差估计方法研究。首先,利用深度相机和双目相机采集带有真实样本的电子元器件数据集。然后,提出一种基于有监督学习的双目视差估计网络框架用于端到端视差估计任务,考虑到现有的模型对图像边缘特征的匹配效果较差,本文在二维特征提取阶段设计了一种边缘检测分支;同时,为了充分的利用双目图像中不同深度的视差信息,提出了一种三维视差注意力（Three-dimensional Parallax Attention,3D-PA）模块。最后,利用SmoothL1平滑损失函数和边缘检测交叉熵损失函数指导网络进行端到端视差预测任务;开展了KITTI、Scene-Flow（一种大规模人工合成的双目立体视觉数据集）和电子元器件数据集中的对比实验,结果表明,融合边缘检测与3D-PA模块的有监督立体匹配算法在各种评价指标中均表现出高精度的视差预测结果。（3）电子元器件三维重建系统设计、实现和分析。首先,根据电子元器件的特性明确三维重建系统需求,并对系统做出总体方案设计。然后,在完成硬件平台搭建之后,通过比较上述两种视差估计方法的性能,将结果更优者纳为系统立体匹配算法。最后,根据实际需求设计电子元器件三维重建系统,结合电子元器件数据集对系统进行测试与分析,结果表明,所构建的三维重建系统能够满足实际定位精度需求。综上所述,本文对基于深度学习的电子元器件视觉三维重建方法进行了系统深入地研究,对于三维重建中的关键步骤——立体匹配,提出了融合2D-PA模块的自监督学习视差估计方法,同时提出了融合边缘检测与3D-PA模块的有监督学习视差估计方法。根据实际需求设计和实现了电子元器件三维重建系统,并进行了相关实验,结果表明,本文提出的基于深度学习的电子元器件视觉三维重建技术以及开发的系统,能够满足装配场景中对电子元器件高精度定位的要求,研究工作具有一定的理论意义和较好的工程应用价值。