今天，有许多完善的图象分析技术，包括：模板比较(template-matching)(或自动对比auto-correlation)、边缘检查(edge-detection)、特征提取(feature extraction)、灰度模型(gray modeling)、傅里叶分析(Fourier analysis)、形状、光学特征识别(OCR, optical character recognition)、还有许多。每个技术都有优势和局限。

　　传统AOI系统模板比较

　　模板比较决定一个所希望的物体图像平均地看上去象什么，如片状电容或QFP，并用该信息来产生一个刚性的基于像素的模板。这是横越板的图像，在预计物体位置的附近，找出相同的东西。

　　当有关区域的所有点评估之后和找出模板与图像之间有最小差别的位置之后，停止搜寻。为每个要检查的物体产生这种模板，通过在适当的位置使用适当的模板建立对整个板的检查程序，来查找所有要求的元件。

　　因为元件很少刚好匹配模板，模板是用一定数量的容许误差来确认匹配的，只要当元件图像相当接近模板。如果模板太僵硬，可能产生对元件的“误报”。如果模板松散到接受大范围的可能变量，也会导致误报。

　　传统AOI系统运算法则(Algorithm)

　　经常，几种流行的图像分析技术结合在一个“处方”内，形成一个运算法则，特别适合于特殊的元件类型。在有许多元件的复杂板上，这可能造成众多的不同运算法则，要求工程师在需要改变或调整时作大量的重新编程。

　　例如，当一个供应商修改一个标准元件时，对该元件的运算法则处方可能需要调整，消耗珍贵的编程时间。还有，相同元件类型的外形可能变化很大，一个不同一个。随着时间的过去，新的变化出现，用户必须调整或“扭转”运算法则来接纳所有可能的变化。
               

　　传统的、基于运算法则的AOI方法经常太过严格，以致于不能接纳合理的变化，如对比度、尺寸、形状和阴影。甚至不重要的元件也可能难以可靠地查找和检查，因此造成有元件而系统不能发现的“错误拒绝”。

　　还有，因为可接受与不可接受图像的差别相当细小，运算法则不能区分，引起“错误接收”，真正缺陷不能发现。