深度字典学习结合了深度学习和字典学习的优点,通过多层次字典学习构建深层的结构,采用贪婪学习的模式,通过逐层训练保证了每一层字典的收敛性。利用深度字典学习模型对图像数据进行学习,根据得到的字典可以对图像数据进行准确的表示。将深度字典学习模型应用于采集到的超声图像处理中,再结合超声显微成像技术可以对倒装焊芯片内部特征信息实现更准确的表示,对于超声检测图像内部存在的缺陷定位与分析具有重要意义。论文在深度字典学习的基础上对于倒装焊芯片的内部成像展开了研究,主要内容包括:(1)为了挖掘出图像数据深层次的特征信息,研究了现有的深度学习模型和字典学习算法,设计了深度字典学习模型用于图像数据的表示,得到了包含图像数据特征的字典。使用深度字典学习模型在自然图像数据集上实现了图像的重构与堆栈自编码器模型、单层字典以及KSVD重构图像的结果进行比较,实验结果验证了深层次的字典学习得到的字典对于图像数据的重构具有良好的性能。(2)设计了基于深度字典学习的SMP-AMI成像模型。使用深度字典学习模型对二维的B扫描超声图像进行学习处理得到字典,将特征库与基于稀疏表示的AMI成像技术相结合对倒装焊芯片进行界面成像。通过实验结果对比,深度字典学习模型结合SMP-AMI成像的结果比单层字典学习以及KSVD字典结合SMP-AMI成像技术的成像结果对缺陷位置的显示更准确。