随着手机、汽车电子、智能家电等电子设备的广泛应用与普及,使得PCB电子元器件的检测具有广泛的需求和重要应用价值。然而传统检测方式耗时长、精度低、泛化能力差、步骤繁琐,对于目标小、特征相似、种类繁多的PCB电子元器件来说,难以满足实际应用的广泛需求。近些年,基于深度学习的目标检测技术由于高效率、高精度、适应范围广等优势而被广泛应用于工业生产领域。因此,本课题针对PCB电子元器件特征,将深度学习技术引入PCB电子元器件检测研究具有重要意义和应用价值。主要研究内容如下:（1）针对PCB电子元器件特征相似、目标尺寸小、背景干扰等算法检测难点,以及网络模型占用内存大,难以实现应用部署等难点,本文设计PCB电子元器件检测和压缩的总体方案,实现对电子元器件准确检测的同时压缩网络模型,提高工业应用可行性。（2）针对PCB电子元器件特征相似、目标尺寸小、背景干扰等检测难点,设计基于注意力机制的YOLOv4-SC算法。通过将注意力机制融合进YOLOv4算法的特征提取网络中,增加较小的PCB电子元器件的特征权重,减少背景信息的干扰,提高PCB电子元器件的特征表达能力。实验证明改进后的YOLOv4-SC算法将m AP值从90.8%提高到94.3%。（3）为解决训练好的高精度网络模型难以部署的问题,本文通过提出融合动态阈值剪枝和均匀映射量化的压缩方案对PCB电子元器件检测的网络模型进行压缩。通过计算卷积层中反映通道重要性的缩放因子,并结合网络模型训练得到缩放因子的占比从而获取最适合模型的动态阈值,并剪除对网络模型贡献小的部分,然后通过均匀映射的方式将32位浮点型数据量化成8位整型数据,减少网络计算量的同时压缩网络模型的大小。实验表明,该网络模型经过融合动态阈值剪枝和均匀映射量化压缩方法后,精度损失小于5%的前提下,将网络模型从两百四十多兆压缩至十兆左右,检测速度提升五倍,有效解决部署应用难的问题。