塑封是一种非气密性封装,由于其工艺特性的原因塑封芯片很容易产生内部缺陷。目前一般采用超声扫描显微镜将其内部缺陷可视化,然后再通过人工目检的方式将有内部缺陷的芯片挑选出来。鉴于塑封芯片内部超声检测图具有芯片排列密集、缺陷细微难观测等特点,使用人工检测的方式不仅成本高而且效率低。针对目前塑封芯片内部缺陷自动化检测程度低,识别准确率和速度要求高等问题,本文结合塑封芯片内部缺陷超声图像和卷积神经网络（Convolutional Neural Networks,CNN）理论展开研究工作,提出了一种基于卷积神经网络的塑封芯片内部缺陷智能识别方法,其主要的工作内容如下:（1）通过调整工艺参数设置了多种工艺不良条件,并对在这些条件下塑封出的芯片进行内部超声检测,经过分析缺陷类型与对应的工艺参数,建立了二者之间的关系对照表。（2）针对收集到的超声图含噪声且样本数量少的问题,利用传统图像处理方法对其进行降噪处理和数据增广。然后对现有数据进行标注,构建了芯片检测数据集和7类别的缺陷识别数据集。（3）根据超声扫描图中芯片排列密集、尺寸占比小的特点,搭建了融合Cot Net50骨干、FPN特征融合模块以及Retina Net分类回归检测头的芯片检测网络。实验结果表明,该网络在芯片检测数据集上的检测精度为98.6%,单张图片的推理速度为9ms,综合性能表现优于其它典型目标检测网络。（4）针对缺陷识别任务对网络高效、快速、轻量的要求,本文在Mobile Net V2网络的基础上重新设计了递进式分类器,并在骨干网络中加入跨局部连接结构。实验结果表明,改进后的网络在内部缺陷识别数据集上准确率为97.8%,平均单张图片的识别速度为0.0021 s,且在保持准确率和速度较高的同时模型大小和参数量也远远低于其他网络。（5）将芯片检测网络以及缺陷识别网络集成在一个系统中,并利用VS2019设计了该系统的可视化界面。通过实际测试发现,在输入单张超声图像后,系统界面能够准确地显示出图像中各芯片的缺陷类型,并结合对照表给出塑封工艺的优化方向。