双能X射线安检系统作为一种非接触式的安检设备,被广泛应用于轨道交通、物流、机场等人员密集的公共场合。然而目前的X射线行李安检系统仅能辅助人工检测,人工成本较高,检测效率较低;且由于安检员大多缺乏系统培训,检测的结果参差不齐,常常出现漏检、误检现象。近年来国内外对X射线危险品检测展开了深入研究,已取得了一定成果,但双能X射线图像中的重叠物体仍无法得到有效检测。本文结合企业的实际需求,面向行李安检领域设计了一种基于深度学习的X射线危险品检测算法,并对重叠危险品检测问题进行改进,实现了危险品自动检测。本文首先提出了X射线行李安检危险品检测系统实现的总体设计方案,构建了X射线危险品数据集。对危险品检测系统的需求进行分析并设计了系统的总体结构,之后完成了各个模块功能结构的设计和危险品检测算法设计技术路线的规划。获取X射线图像数据并构建危险品数据集,结合成像原理对X射线图像的特点进行了详细分析,为危险品检测算法的设计与改进奠定基础。接着设计了一种基于Faster RCNN的危险品检测算法,旨在准确地实现安检系统中的危险品检测。针对Faster RCNN网络结构中存在的问题,从特征提取网络的下采样结构、特征金字塔网络中的特征融合方式以及感兴趣区域池化方法几个方面进行改进。为避免人工设置Anchor带来的网络训练困难问题,通过K-means聚类算法设计合理的先验框。设计与一阶段危险品检测算法Retina Net和FCOS的对比实验,验证了Faster RCNN危险品检测算法的有效性。然后研究了基于Faster RCNN的重叠危险品检测的改进算法。针对X射线图像中缺乏纹理特征的特点,设计了全局上下文建模特征提取网络,结合非局部区域的特征,提高了模型对X射线图像的特征提取能力。针对X射线图像中边框定位不够准确的问题,结合重叠面积、中心点距离以及宽高比例建立了更有效的边框回归损失函数,提高了模型对预测框的优化能力。针对X射线图像中危险品与其他物体重叠的问题,提出了一种X射线数据增强方法,通过在危险品区域生成透明掩模的方式,增加了数据集中的复杂样本,提高了模型在重叠场景下检测危险品的性能。针对X射线图像中多个危险品重叠的特点,提出了一种改进的非极大值抑制方法,通过考虑宽高比例以及面积的差异,能够更好地筛选边框,减少重叠目标的抑制,提高了重叠危险品的召回率。实验结果显示,改进的Faster RCNN危险品检测算法在构建的数据集以及公开数据集SIXray上准确率AP50分别达到了98.13%和90.71%,且对重叠危险品检测有了较大的改善。最后通过Tensor Flow Serving将X射线危险品检测算法模块部署在服务器,供安检系统调用,实现了X射线危险品自动检测。本文所研究的深度学习危险品检测算法,对于行李安检过程中危险品检测具有理论意义以及应用价值,能够代替人工完成X射线图像的危险品检测工作,减少了人力成本,提高了安检的效率。