X光安检技术被广泛应用于公共交通场所和物流快递等行业的安全检查工作中,在保障社会公共安全方面发挥了重要的作用。然而,目前的安检工作主要依赖于安检人员对X光安检图像的主动识别,容易受到各种不稳定因素的影响,导致误检和漏检的发生,具有较大的安全隐患。本文探索了两种目标检测方法在X光安检领域的应用,分别是精度较高但速度较慢的two-stage方法Faster R-CNN,以及速度较快但精度较低的one-stage方法RetinaNet。本文研究发现,Faster R-CNN是一种全监督的深度学习方法,在训练时仅采用包含危险品的异常图像作为训练集,因而难以学习到正常图像的特征,导致其在检测正常图像时误检率过高。针对以上问题,结合X光安检图像大部分属于正常图像的特点,提出了一种前置预分类头部的X光安检图像识别方法,降低误检率的同时,提高危险品检测的性能和效率。同时,考虑安检的实时性需求,探究了RetinaNet与two-stage方法之间的差异性,分析其精度较低的原因,并在其基础上,提出了一个单阶段密集X光安检图像检测网络,该网络结合X光安检图像的特点,在保证其检测速度的前提下,有效提高了该网络的检测精度。具体内容如下:（1）针对Faster R-CNN无法学习正常图像特征的问题,设计了一个共享骨干网络的预分类模块,使模型可以学习到正常图像的特征分布。同时在预测时,首先通过预分类模块对正常图像和异常图像进行分类,当识别到异常图像时,再对异常图像进行危险品检测。实验表明,预分类模块有效降低了模型对正常图像的误检率,由原来的27.83%降低至3.80%,减少了24.03%。同时对于正常图像,由于避免了后续进一步的目标检测,大大提高了模型的检测效率,对单张正常图像的检测速度由原始的0.1843s缩短至0.0113s。（2）针对RoIPooling存在的两次量化误差导致区域建议发生偏差的问题,对Faster R-CNN的区域建议归一化方法进行改进,引入RoIAlign,采用双线性插值法直接计算浮点数坐标处的特征值,提高Faster R-CNN的检测性能。实验结果显示,新模型的检测精度有较大提高,m AP由48.30%提升至57.33%。（3）结合X光安检图像物品分布密集、重叠遮挡较多的特点,对RetinaNet边框选择方法进行改进,采用soft-NMS,减少漏检的发生,提高对重叠遮挡目标的检测能力,使得模型的平均检测精度提高了3.27%。（4）RetinaNet由于缺少RPN网络对图像进行预采样,导致其回归精度较低。本文通过GIo U loss,提高RetinaNet的边框回归性能,同时降低模型对尺度变化的敏感性,使得模型的性能提高了1.2%。（5）通过对RetinaNet的边框选择方法和边框回归进行改进,使得RetinaNet对危险品的检测精度由52.29%提升至56.34%,提高了4.05%。同时,经实验验证,改进前后的模型对于图像的检测速度基本保持一致。因此,本文在保证检测速度的前提下,使得检测精度有了较大提高,更加适用于真实的X光安检应用场景。