倒装芯片(Flip Chip,FC)技术被广泛地应用于微电子封装中,随着芯片封装密度的不断地提高,芯片的缺陷检测和失效分析就会变得困难。在本文中,采用了扫描声学显微镜(Scanning Acoustic Microscopy,SAM)技术来对芯片中的缺陷凸点进行检测,针对实验中获取的SAM图像分辨率低而造成的凸点状况不易识别的情况,本文着重研究了超分辨率技术来对源图像进行重建,主要内容包括:研究了图像内常见的相似结构块现象,构建了源图像在不同尺度下的图像级联,并建立了高/低分辨率块的对应关系,提出了基于结构相似性学习的超分辨率算法对低分辨率SAM图像进行重建,采用了基于图像梯度的二值化分割模板将凸点区域从背景中分割出来,选取相关区域的像素统计值作为凸点特征,最后,使用了改进的K均值聚类算法来对凸点状况进行识别分析。研究了小波分解与融合算子在图像中的应用,通过建立中间阶段来对源图像中使用小波分解后的高频子带部分信息进行加强,接着通过融合不同频率子带系数来产生目标高分辨率图像,采用了模板匹配算法来对SAM中的凸点区域进行提取,并使用主成分分析法来对提取的初始冗余特征集合进行降维,最后,我们使用了支持向量机(Support Vector Machine,SVM)来对缺陷凸点进行分类识别。本文分别采用了基于结构相似性学习和基于小波的超分辨率算法对原始SAM图像进行高分辨重建,并提供了可靠的倒装芯片缺陷凸点检测系统。实验结果表明,重建后的SAM图像包含了更多的凸点特征信息,从而提高了系统对凸点状况的识别能力。