近年来,随着我国交通运输网络的完善,居民乘坐火车、飞机、地铁等公共交通工具出行变得更加便捷。公共交通的出行安全与人民群众的生命和财产安全息息相关。行李X光安检作为公共交通和公众场所常用的安检手段具有十分重要的意义。目前行李X光安检采用机器成像人工辨别的方法,由于人工辨别效率较低,不能适应高精度的安检要求,为此,提出一种基于深度学习的行李X光图像安全检测与分割算法,对行李X光图像中可能出现的危险品进行检测和分割。文章主要研究内容有如下几个方面:根据目前行李X光图像安全检测与分割的现状,对研究的目的和意义做出了分析,并确定了使用深度学习方法作为本文图像检测的方法。对深度学习的起源和经典检测算法的结构与发展做出了详细论述。对当前经典的图像分割算法阈值分割、区域分割和边缘算子检测分割的原理作了详尽的介绍,在行李X光图像数据集GDX-Ray上设计了对比实验。经实验验证,传统的图像分割算法各有利弊,无法完全满足行李X光图像分割的需求,且分割时间略长,不利于实际应用。对深度学习在图像分割领域的发展做了简单介绍,并通过实验验证,发现基于深度学习的图像分割方法全卷积网络在本文的研究领域有着较好的应用。为了综合实时的图像检测与分割,选取深度学习算法Mask R-CNN作为本文图像检测和分割任务的主体。对Mask R-CNN网络的结构原理作了分析,对其结构创新点感兴趣区域对齐层和掩码分割分支做出了详细介绍。根据行李X光图像检测与分割时常见的多尺度目标检测和重叠目标检测的问题分别对特征提取网络和标定框筛选网络进行优化。首先,选定特征金字塔网络与Mask R-CNN中负责特征提取的残差网络相结合,对不同尺度的待检目标通过层层上采样与横向连接的结构保证了图像位置信息和语义信息的充分利用。然后,将生成和筛选标定框的非极大值抑制（NonMaximum Suppression,NMS）网络改进为Soft-NMS,使得相邻目标或重叠目标都能够得到检测而不被遗漏。根据交管部门的相关条例,选取枪支、刀具、刀片和小目标物体钉子作为实验检测和分割的对象。选择GDX-Ray数据集中包含这四类危险品的行李X光图像对所提出的改进算法进行实验验证。由于数据量较少,选用在大型图像检测数据集MS COCO数据集中预训练过的模型作为初始模型,应用迁移学习中的微调方法对本文数据集进行训练。经实验验证,改进后的Mask R-CNN模型检测平均精度值达到0.973,检测速度达到4.55fps,相较改进之前的Mask R-CNN,平均精度值提升了0.026,同时并行生成了高质量的分割掩码,基本可以满足行李X光图像安全检测与分割的精度和速度需求。考虑实际应用场合,为了便于安检人员操作,设计了行李X光图像安全检测与分割的系统。通过需求分析和界面设计使本文提出的行李X光图像安全检测与分割算法能够得到便捷应用。