在安全检查领域,防止恐怖主义蔓延和暴力事件发生一直是一个重大课题。常用X射线安检装置依靠安检人员观察监视器中的安检图像来判断是否存在违禁物品。这种安检方式极其依赖安检人员的职业素养和工作状态。安检结果与工作人员的经验、精力、工作态度等情况息息相关,存在着较大的不确定性。因此,针对违禁物的识别技术在安全检查领域受到了高度重视。本文基于X射线的检测技术理论,使用了多种方法研究枪支和刀具的模式识别。传统的模式识别方法采用了先手动提取特征值,再使用分类器依据特征值进行分类的方法。本文选择物体的轮廓矩不变量作为待提取的特征。使用迭代阈值法将安检图像转化为二值化图像,Canny边缘检测算子提取物品边缘,对边缘进行连通标记,提取轮廓矩不变量特征并使用BP神经网络进行分类。针对传统的模式识别方法误检率较高的问题,本文设计了基于Faster R-CNN的枪支和刀具检测方法。该算法是一种基于候选框的目标检测算法,使用RPN网络提取候选框,Fast R-CNN网络判断进行分类和定位,提高了特征提取的鲁棒性和检测的准确率。针对实现普通安检装置实时检测枪支和刀具的要求,设计并实现了基于YOLO v3的枪支和刀具检测方法。该算法是一种基于回归的目标检测算法,可以在图像的不同位置直接回归出目标的类别和边框,提高了检测速度。本文基于PASCAL VOC 2007数据库构建了枪支和刀具的检测数据集（PASCAL-Xray）。使用该数据集训练枪支和刀具模式识别方法,并对方法的性能进行评估,验证了本文设计检测方法的可行性。基于Faster R-CNN的枪支和刀具检测方法的mAP达到了83.4%,基于YOLO v3的枪支和刀具检测方法的mAP为80.3%,检测准确率均比传统的模式识别方法高。基于YOLO v3的枪支和刀具检测方法的检测速度比基于Faster R-CNN的枪支和刀具检测方法的速度快,达到了 45.456帧/秒,可实现枪支和刀具的实时检测。实验证明了本文所设计的后两类枪支和刀具检测方法的可行性和有效性。