随着国家对于公共安全领域的愈发重视,X射线安检设备被广泛地应用于各个交通枢纽。但是目前的安检过程中,对于违禁品的识别过程依然需要依赖于安检人员进行人工识别,往往在火车站、地铁站等复杂场景中,误检、漏检的状况时有发生。本文针对这个问题,引入深度学习概念,通过改进后的YOLO v3模型成功构建了一套可以对违禁品进行自动标记和识别的系统,在提高对违禁品检查准确性的同时,也提升了整体安检过程中的检测速度。本文首先针对X射线安检图像以及卷积神经网络模型所需图像的特点,参考医用X射线处理技术,采取多种互补的图像增强方法,提出了一种新的图像增强思路。首先分别使用拉普拉斯算子和Sobel算子得到细节图和梯度图,再次对梯度图使用双边滤波并以其为模板利用图像掩膜的概念乘以细节图,将掩膜后的图像经USM锐化得到最终的锐化图像,使用图像融合和原图像相加,最后使用CLAHE增大图像灰度的动态范围。实验结果表明,本文所提出的方法相对于传统的图像增强能更好的保留图像信息,并且对噪声具有较强的鲁棒性,为后文卷积神经网络模型对违禁品的智能识别提供了高质量X射线图像,提升了识别精度。其次对基于卷积神经网络不同模型的准确性和实时性进行对比,选择以YOLO v3模型为基础建立网络,为了使所建模型符合安检要求,本文对YOLO v3模型进行了一系列优化处理。首先引入密集链接的概念避免了YOLO v3模型中跳跃连结导致小目标特征在训练过程中丢失的问题;其次对K-means聚类进行优化使用Io U替代欧氏距离避免了局部最优的问题;最后使用Soft-NMS提升了模型处理复数目标互相遮挡时,被遮挡目标的检测能力。