目标检测和图像分割作为计算机视觉方向的两大任务,已经逐渐应用在了号码检测、人脸识别、电影绿幕等方面,并且在虚拟现实、交互式游戏方面有巨大的应用潜力。精确地将物体从图像中分割出来是其他应用的重要一环,例如根据图像分割技术实现对于牛的体尺测量、在自动驾驶场景下根据语义分割的结果感知周围环境,进一步做出决策,这些场景下对于分割的精度要求较高。本文工作主要分为三部分,包括弱纹理图像数据集的制作,考虑到图像的获取难易程度和实用性,本文选取地铁安检图像作为原始数据集（x光图像）,在此基础上产生本文所需的实例分割数据集;研究了对于违禁品的目标检测方法;研究了直接实例分割方法,即单阶段的实例分割方式,实现对于X光图像中违禁品的有效分割。针对基于目标检测的图像分割方法中出现的定位边界不准确的问题,本文在特征提取网络中加入了CBAM注意力机制,在不同的空间位置处产生不同的权重,使得物体出现的区域权重较大,能产生更加准确的边界框信息;针对目标尺寸变化较大导致的分割精度不高的问题,本课题将不同特征层的信息进行了融合,将底层精确的位置信息加入到了含有高级语义信息的特征图中,能提升模型的最终识别精度;在运行速度方面,为了加速网络的推理,将其中的部分卷积层进行了替换,加速了网络的运行。针对直接实例分割算法中出现的重叠物体分割精度不高的问题,本文提出基于空洞卷积的特征融合模块,加强特征图的语义信息,从而实现较好的分割效果;由于弱纹理图像不同于普通RGB图像,弱纹理图像边界不清晰,且由于重叠问题导致物体不完整,所以在边界处的分割效果不佳,因此本文对分割后的边界进行了后处理,优化了边界处的分割效果,提高了分割精度。