近些年国内外发生多起恐袭事件,每次都造成大量的人员伤亡,案发地几乎是人员密集的地方,例如火车站广场、公园入口区域、机场入口区域、商店入口区域、学校入口区域等。X射线技术结合图像处理技术,更加针对性地应用到安防领域,为反恐检测提供依据,进一步使安全检测便捷。然而,现代地铁口、机场、港口等一些重要地方使用的X射线安检设备,对被检包裹物的检测只能从物理性质和化学性质方面进行图片描述,再进一步识别包裹里被检物是否为危险品,目前还是要求专业值班员人工观察。人工观察安检图像十分依赖安检员的经验与技术,由于差异性的主观原因,经常会出现对一些危险物体的误检和漏检情况。因此本论文针对安检场景检测物体功能性的难点和目前检测方法的局限性,运用数字图像处理和深度学习的理论和方法进行研究。首先对研究中涉及到的数字图像处理、卷积神经网络以及实例分割算法等专业知识理论进行系统阐述,为后续的实验研究奠定理论基础。其次,通过运用图像预处理技术,对数据进行标注以及特殊处理,为本课题的安检系统提供大规模的数据资源中心。再然后,通过分析研究深度学习领域中目标检测和语义分割技术,在Mask RCNN实例分割算法的基础上,提出一种利用语义轮廓信息的的实例分割算法Faster Mask RCNN(FMRCNN),同时在FMRCNN网络模型的结构中对RPN网络进行调整,以及在注意力机制方面使用Softer NMS算法替代NMS算法,通过几组实验对比结果表明优化后的FMRCNN模型显著提高检测的精度,并且与第二届中国国际进口博览会中应用的基于英特尔Open VINO技术的智慧安检危险品识别算法的准确率相比更高。最后运用成熟的FMRCNN模型,分析设计一种基于深度学习的安检图像检测分割方法的系统与安检机实现对接。通过将人工智能、大数据与安防结合起来,一方面很大程度上提升了人们的交通安全系数,为大众的人身安全提供了更加有效的保障,自动化的检测大大缩短了出入公共场所安检的时间,市民出行更加便捷;另一方面,自动检测危险品辅助安检人员更加高效的完成安检任务,减轻安检人员的压力,在节约人力成本和工作效率方面具有积极的影响,从长远来看,这给安防领域带来新思维、新方法,数字化智能的应用更加深入,给安防领域带来一轮跳跃式变革。