集装箱X光透视成像是集装箱检查的必要手段。计算机智能审图是实现集装箱检查智能化的必由之路,是技术发展的必然趋势。分类识别算法是智能审图的重要基础工作之一,有很大的研究价值。由于集装箱装载货物比较多,透视扫描生成的图像比较大,基于按区域识别的想法,本文首先研究了图像分割算法。从基于图的分割方法出发,研究了新的图切能量模型,并提出了基于动态图融合的自动分割算法,在集装箱货物透视图像上进行了分割实验,取得了好的效果。探讨了用分割的方法解决一箱多货问题的思路。用传统分类方法进行研究,提出了基于组合模板支持向量机的分类算法,并结合WTA哈希、语义树方法提高算法的性能。针对集装箱货物图像类内方差大,特征分布不集中的特点,提取大量代表性典型图像块,并对它们训练组合模板支持向量机,识别阶段用WTA哈希的方法进行识别,避免了大量的卷积运算。用语义树的方法可以在分类层级与准确率之间取得一个平衡。用深度学习方法进行研究,使用当前图像分类效果很好的152层Res Net网络,提出了根据Logits相关性进行自适应调节权重的中间层监督方法,提出了用聚类Loss对交叉熵Loss进行加强的方法,并用语义树的方法在网络末端同时计算不同HS Code层级的分类Loss并输出所有层级的分类结果,实验表明这些创新点能够使分类准确率在152层Res Net基础上有所提高。考虑集装箱运输均有报关告单信息这个特点,用Triplet网络研究了报关单对比算法,提出了分布Loss与加强Triplet Loss的改进方法。实验验证了Triplet网络用于报关单对比的有效性,及分布Loss与加强Triplet Loss对Triplet方法改进的有效性。提出了在线训练的方法与负样本训练的方法。在线训练使模型能够适应不同的应用场景,负样本训练则能提升少量夹带货物的识别准确率。实际使用中达到了比较实用的效果。根据海关比较关注少量夹带货物的特点,提出一个异物检测的概念,并给出了基于报关单对比和语义预测的异物检测算法。对可能的改进方向进行了思考,指出基于高级语义与语用级对比的报关单对比与异物检测研究方向。