车站、机场、地铁、体育场等作为公共场所的重要组成部分,使用X光安检机进行违禁品检查,能有效避免管制刀具,炸药或化学品等违禁品对旅客或运输工具的威胁或干扰,是确保人员财产安全必要的方式。目前,安检违禁品的检测结果仍然是通过安检员的人为判断,影响到违禁品的检测准确率,这会导致一些不稳定因素的发生,而深度学习技术已经在各个领域取得了非凡的成就,因此本文使用深度学习目标检测算法对安检过程中的违禁品进行自动检测识别,以此提高安检过程中的检测效率,预防人流量大的公共场所发生安全事故,具有重要的研究意义。论文的主要研究内容有:首先,对SIXray安检图像数据集进行分析,然后选择多种图像处理方式,并在传统边缘检测算法的基础上,比对了几种分割方法对各类违禁品图像主体的提取能力,结合X光安检图像的特点,提出改进的Canny边缘检测方法去除背景噪声干扰获得违禁品主体图像。确定了最合适的图像分割的方法后,又对数据集进行了有效的数据增强。其次,在YOLO-v3基础上加入SPP模块和一个新的104×104尺度,改进网络为4尺度检测,以提高小目标违禁品的识别能力,利用K-means聚类算法多尺度先验框以适应各类违禁品的不同尺寸。采用改进后的目标检测算法对处理后的X光违禁品图像进行了检测识别。最后,以Recall、Precision、m AP等作为评价指标,对比数据集图像处理前后、改进网络前后的实验结果,图像处理后的安检图像数据集在改进的YOLO-v3网络中的实验结果mAP达到84.94%,相较于原论文m AP提升了5.38%。此外,本文与现阶段研究进行对比,在同一数据集下,优于其它研究。