金属检测(Metal Detection,MD)技术自工业化发展以来得到了广泛的利用。现如今这项技术的应用不仅使工业受益,也使人们的安全得到了保障。在一些重要的场合下,危害公共安全的物品,尤其是金属物品是禁止携带的,必须提前对相关人员随身物品进行检查与控制,而最常用的检测工具就是金属检测装置。现有的许多金属检测装置不仅检测灵敏度低,耗费了许多人力进行辅助,而且系统稳定性不佳,误报率高。因此,面对如此笨重且形同虚设的金属检测系统,需要一种与时俱进的金属检测技术提供支持,降低危害安全的情况发生。故本文基于此应用场景对金属检测技术进行了深入的研究。本文首先以涡流效应为基础,通过对涡流检测(Eddy Current Testing,ECT)原理的梳理,认识了涡流的分布特性,分析了影响涡流检测的主要五种因素,并建立了涡流检测的几何模型与电路模型,以此总结了金属检测的流程。然后根据需求对金属检测系统进行了设计,确定了涡流传感器结构,通过数字信号处理(Digital Signal Processing,DSP)方法实现从发射端到接收端信号的生成和提取过程,并按照检测流程对系统中各模块的功能和算法进行阐述说明。依照此金属检测技术搭建测试环境,根据国标对系统检测灵敏度进行测试。利用最小二乘(Least Square,LS)估计感应信号斜率,为金属类别的检测提供了可能。其次,在此系统的基础上,结合实际应用分析了系统设计中存在的缺陷,对系统进行了优化:以梳状陷波滤波器消除工频干扰,以全通滤波器(All Pass Filter,APF)进行移相处理减小相位扰动,以差分幅度检测方法抑制温度漂移。改进后系统在检测能力与检测稳定性上都具有不错的表现。最后,以端点检测为主对感应信号进行预处理以生成样本集,搭建人工神经网络(Artificial Neural Network,ANN)模型,将其用于金属物体类别的检测。采用交叉验证对神经网络进行了调试与性能分析,确定了网络参数。测试神经网络的分类能力,并与幅度-相位的分类方法进行比较,结果表明基于神经网络的金属物体分类技术是有效的。