X射线安检设备作为一种非接触式安检技术,已被广泛应用在各类人员密集的公共场所,用于对各类危险品进行检测。然而,现有X射线安检工作在很大程度上依赖于人工检测,因此检测效率较低、且人工成本高。面向X射线图像的危险品自动识别和跟踪已成为本领域的研究热点问题之一。国内外相关领域的研究学者在X射线危险品识别领域已开展了广泛而深入的研究工作。其中,如何提高危险品检测的精确度和效率是当前的重要研究问题之一。现有工作往往通过提取特征来检测图像中是否存在危险品,而在X射线图像检测与实时跟踪之间的配合方面仍有待加强。针对上述问题和挑战,本文面向大规模X射线图像数据提出一种基于深度学习的危险品检测与跟踪方法,具体内容如下:第一,通过对X射线安检设备工作过程的分析,得到了安检设备在危险品检测时对定位精度、分类精度和实时性的要求参数。同时,基于真实场景中采集的X射线图像数据开展数据集制作和预处理工作。第二,面向X射线图像数据集,提出了一个基于深度学习的X射线图像危险品检测与跟踪算法。一方面,设计了一种基于改进单发多框检测(Signal Shot multi-box Detector,SSD)方法的深度学习检测网络,以提高检测精度;另一方面,实现了基于检测结果的跟踪器,并通过跟踪器与检测器之间的协同工作来实现实时检测跟踪。第三,将本文提出的检测跟踪方法与当下流行的检测方法(如Faster-RCNN、YOLO-v2、SSD300、SSD512等)在两个性能指标(平均正确率和速度)上进行了大量对比实验。实验结果表明,本文所提出检测跟踪算法能够在保证较高精度的基础上,初步达到实时检测跟踪。因此本文提出的方法在精度和实时性上优于现有算法。本文所提出的X射线危险品检测跟踪算法对于辅助安检具有理论和应用价值,能够辅助安检人员去检测一些较为常见危险品,进而提高安检效率。