实时、准确的对车底危险品进行检测对于保障公共安全以及促进社会和谐都具有极其重要的意义。目前,国内外的主要车底危险品检测手段是通过人工辅助移动式车底检测装置进行检查,花费时间长、效率低,且人工检测受个人因素影响大,容易出现漏检,有危险气体泄漏、新冠病毒病原体携带、炸弹藏匿等风险。车底危险品检测系统应用于道口、卡口,对实时性以及准确性要求高,根据目标检测的发展现状,采用深度学习算法对车底危险品进行检测,从而可以实现车底危险品的特征提取、识别与定位。车底数据集具有分辨率高的特点,目标占比小,因此选择RetinaNet目标检测框架作为基础的深度学习模型进行优化,为了提升模型的检测准确率（AP）和平均检测率（m AP）,从目标检测的骨干网络、激活函数、检测模式三个方面进行了改进。本文的主要创新性工作如下:1、Mish激活函数具有无上界（在正值上可以达到任何的高度）、平滑、非单调的特点,从而避免了由于封顶而导致的饱和。另外,不同于Re LU激活函数那样,当自变量的值小于0时,Mish激活函数的输出小于0,且在小于0的部分,Mish激活函数存在小于0的梯度,从而使得Mish激活函数相对Re LU激活函数具有更好的梯度流,且与RELU激活函数以及Swish激活函数相比,Mish的损失函数图像更平滑,且具有更宽的极小值,从而提升模型在车底危险品检测中的平均检测率（m AP）,本文采用Mish激活函数。2、EfficientNet通过优化计算量和准确率,在目标识别网络模型中具有较高的准确率,且具有较快的识别速度,本文采用EfficientNet作为骨干网络,提高了模型的检测准确率。3、采集的车底危险品图像的分辨率高,将图像直接输入到网络中,容易出现内存不足的情况,若调整到小的尺寸作为输入会出现目标信息丢失过多的情况,本文采用滑动检测,在检测的过程中在图像的宽度维度上通过矩形框进行滑动,从而增加图像中目标的占比,提升模型在车底危险品数据集中的检测准确率。4、车底结构复杂,危险品藏匿的位置丰富多样,可能会出现危险品被完全遮挡的问题,出现通过图像无法检测的状况。为了解决以上问题,通过添加气体以及辐射传感器,从而从视觉、嗅觉等方面进行立体化识别级预警。本文通过从骨干网络、激活函数、检测方式对RetinaNet目标检测模型进行改进,相比原始的RetinaNet目标检测模型,平均检测率（m AP）提高了4.52%,对于刀具类、包裹类、枪支类、瓶类的检测准确率（AP）均有提高,实现对车底危险品的自动化检测。并设计了车底危险品检测综合控制平台,通过综合图像、传气体感器、辐射传感器等多通道信息采集,经识别计算后判定危险等级。系统用于安保机器人系统,有效提升了识别速度、减少漏检率,用于道口、会场等场所的安全防护,可较大提高针对车底可疑危险目标的检出率,更好的维护公共安全。