X光安检图像中违禁品的自动检测有利于提高安检效率。随着卷积神经网络技术的快速发展,基于卷积神经网络(Convolutional Neural Network,CNN)的目标检测技术在自然场景图像中表现出强大的功能。与自然场景图像不同,X光安检图像具有杂乱性和目标尺寸多样等特点,这为X光安检图像中违禁品的自动检测增加了困难。为了能够有效的检测安检违禁品,本文提出了一种基于CNN的多尺度安检违禁品检测方法,具体研究内容如下:(1)搭建了多尺度安检违禁品目标检测网络。检测模型以Feature Fusion Single Multibox Detector(FSSD)作为基础网络框架。构建了低层特征图语义信息丰富模块,以应对小尺寸违禁品漏检问题。该模块由空洞卷积构成,用于增强低层特征图的语义信息。(2)解决了安检图像杂乱性带来的目标遮挡与网络收敛困难的问题。针对安检图像目标遮挡问题,提出了两种解决办法:加深特征提取网络深度并引入残差结构,提取更丰富的目标特征;基于层级精细化策略,滤除掉特征图中的无关信息。针对检测网络收敛困难问题,提出了优化训练策略:利用违禁品目标前景图像进行网络微调(fine-tuning),使检测模型良好地学习违禁品目标特征。采用真实安检数据图像的实验表明,本文所提出的检测网络能很好地检测多尺度违禁品,并能够较好的解决安检图像物品杂乱带来的模型实用性问题。