PCB缺陷检测是电子制造业生产线上保证产品质量的关键环节。随着产品质量的不断提升,人们日常使用的手机、家电,到智能汽车、航天飞机等都对PCB产品的可靠性和鲁棒性提出了越来越高的要求。但是,目前工业上使用的PCB缺陷检测仍然存在特征不鲁棒、样本不均衡、小目标检测、噪声样本的问题。由于PCB缺陷检测通常采用基于手工特征的分类方法,而手工设计的特征只能根据人的经验进行设计,往往模式简单,且其所提取的特征不具有较强的表征能力和鲁棒性;其次,由于PCB缺陷检测任务存在类别极度不平衡问题,导致深度网络在学习过程中偏重于样本数目多的类别,而无法充分学习样本缺乏类别的特征,导致这些样本的识别性能差;同时,PCB存在小的、不规则的曲线及形状检测,也会降低缺陷检测算法的性能;最后,PCB缺陷检测数据中存在噪声样本。以上四个问题的存在,均降低了实际工业环境中PCB缺陷检测算法的综合表现。因此,针对上述问题,本文面向实际工业场景,提出了多种基于深度神经网络的PCB缺陷检测算法,并进行充分的实验加以验证。相比于已有的系统,本文的主要贡献在于:第一,针对生产环境中数据集类别极度不平衡问题,本文提出了两组单向生成对抗网络构成的循环网络,该网络用于生成样本缺乏的缺陷类,缓解类别间样本不平衡,丰富数据集特征。第二,针对生产环境数据集中待识别目标尺寸、形状多样的问题,本文提出了一种新的嵌入可形变卷积且多步分类的深度网络DcMsNet,主干网络为ResNet101,其中残差单元进行了结构改造,经过调整残差网络中不同组件间的顺序,提升残差网络提取特征的能力,网络中的可形变卷积用于适配不同形状的目标,并且经过辅助分类器的多阶段学习,完成不同尺寸目标的分类任务。第三,针对生产环境数据集中含有噪声样本的问题,本文提出了联合标签平滑的自定义损失函数来完成带噪分类学习任务,在训练过程中减少噪声样本对网络的干扰。本文自建了包含不同形状、不同尺寸目标的PCB缺陷检测数据集,并在该数据集上取得了97.3%的准确率。实验结果表明,本文所提出的方法对于六种缺陷类分别具有较高的精确率和召回率,并且与现有其他方法对比,本文方法具有更优的分类性能。