安全检查是保障旅客人身安全、防止危险品进入货运渠道的重要手段。安检工作的质量直接影响到交通运输、物流管理等诸多行业领域的发展。在数字化、信息化极大普及的今天,合理利用计算机技术辅助安检人员完成违禁品识别、危险品排查等安检工作具有至关重要的意义。目前,检查包裹中是否存在限制品的主要方法,是使用X光安检机配合工作人员对X光安检图像的肉眼观察。诸多主观因素的干扰,既为判别增加了难度,也为检查结果增添了不确定性。若能在安检场景下,通过图像处理技术结合卷积神经网络模型,实现准确率高、响应速度快的图像分割任务,将帮助安检人员快速、准确地完成对各个包裹的判断,并且快速找到包裹中的限制品。限制品在包裹中的摆放形态各异,故其成像不仅角度千差万别,而且易与其他物品相互重叠,导致已有的基于X光安检图像的限制品识别方法存在处理效率低、漏检与误报现象严重等问题。另外,目前很少有人在这一问题中考虑实例分割算法,若计算机提供的是图像分类、或目标检测、亦或语义分割任务的可视化结果,则在很多情况下,安检人员不能从中直观地看到限制品对象的形态和具体位置,影响实际工作中从包裹中取出限制品这一环节的效率。本文融合了两种改进的Cascade Mask R-CNN模型,提出一种基于X光安检图像的限制品实例分割算法。首先,通过对目标对象的检测框和最小外接矩形取交集,优化了数据集中粗糙的分割标签,使初始的弱标签中的背景区域有效减少,突出感兴趣区域的特征;然后,随机选取经过优化的弱标签图像,和数据集中原有的无标签、精确标签图像,对它们进行加权融合,增加重叠目标的样本数量,帮助提高网络对重叠区域的识别能力;设计并实现了两个网络模型,其中一个是为Cascade Mask R-CNN引入掩码信息流动形成的混合任务级联网络,另一个是不改变Cascade Mask R-CNN结构、在骨干网络的最后一层使用第二代可变形卷积的网络,将模型融合的结果作为本文方法的最终结果;最后,在网络的训练阶段,对输入图像做一定范围内的随机多尺度变换,以模拟实际生活中同一种物品大小不一的情况,并采用多尺度测试的策略,优化了模型的精度。在一个含有16138张图像的X光安检图像数据集上进行实验,实验结果证实了本文选取的各个策略对模型精度的提升,并最终取得了76.12%的准确率。