目标检测的主要任务是识别图像中特定目标的类别以及位置信息,这也是计算机视觉领域的核心任务之一。在X光图像中,不同材质、厚度和坚硬程度的物体通过像素值大小进行表示,所以图像显示为透明且重叠的特征。通常采集到的图像拥挤杂乱,加之功率噪声等干扰因素,使X光图像中违禁品的检测任务相比于其他检测更具挑战性。为了提升民航安检通行的效率,提出一种快速检测出安检仪输出图像中的枪支弹药、管制刀具等违禁物品的算法,这样安检员只需对存在可疑物品的行李进行开包筛查,从而提高检测效率、提升隐私保护。基于此提出的X光图像违禁品检测的改进算法包括以下三部分:（1）为了降低X光图像中违禁物品检测的漏检率,提出基于全卷积网络的目标检测算法。算法针对X光图像重叠透明、杂乱无章的的特点,使用全卷积网络作为基础网络,以逐像素预测的方式进行目标检测。其网络结构是将卷积神经网络中最后的全连接层全部替换成了卷积层进行计算,消除了预定义的锚框。这样就避免了以往基于锚框的传统算法在训练过程中复杂的Io U计算和匹配问题,提高了模型计算效率。（2）对于图像检测中物品相互重叠引发的边框标注模糊问题,构建多层级预测来提升召回率。网络首先在特征融合部分进行不同深度的图卷积和上采样构建双向特征金字塔,然后在每个特征层都限定了大小不同的边界框回归范围,将大小不同的目标分离。然后网络进行类别预测和模型训练,得到违禁物品的检测结果。（3）针对检测模型的训练性能较低和低质量样本的回归问题,提出了改进的损失函数计算方法。通过在回归损失函数的基础上引入加权惩罚项,预测框的中心点可以更大程度的接近目标边框消除冗余,使检测模型在训练时快速收敛。实验结果表明,所提算法在民航安检自制数据集上的平均漏检率、平均精度等检测性能指标均有所提升,能够更好地应用在实际安检场景中,证明了基于全卷积网络的X光图像违禁物品检测算法的有效性。