X射线安检系统作为保障人们安全出行的重要工具,已被广泛的使用于机场、车站、地铁等人员密集的重要场所。然而,现有安检系统主要依靠于人工识别,存在着检测效率低、运行成本高、人为因素影响较大等问题,显然不能满足现代X射线安检的智能化需求。为了实现安检过程的自动化及智能化,论文利用深度学习中的卷积神经网络构建智能检测模型,设计并实现了X射线危险品智能检测系统,能够自动学习危险品特征并对其进行有效的识别检测。论文首先对危险品检测算法进行研究,采用形态学方法对X射线图像进行检测区域提取,利用X射线图像色彩与材质信息相关性,对图像材质信息进行分割,构建多通道卷积神经网络结构对危险品特征进行提取,并且针对交并比损失在不重叠边框上存在梯度消失的问题,采用基于完全交并比损失和基于距离交并比的非极大抑制算法对边界框回归进行改进。其次考虑到深度卷积神经网络训练得到的危险品检测模型体积和计算量较大的问题,论文主要研究了的通道剪枝及知识蒸馏模型压缩算法原理及应用,并结合两者优势对危险品检测模型进行压缩,在保障原有模型准确率的基础上减少模型计算量和体积。最后,论文采用面向对象方法对X射线安检系统的功能需求进行了分析,从安检人员及管理人员角度设计了安检系统的体系架构及安检流程,利用深度学习目标检测、模型压缩及图像处理技术实现了模型更新、危险品检测功能、图像管理及安全管理功能及界面,验证了论文提出的检测及模型压缩算法的实用性。论文利用深度学习实现危险品检测,突破了现有安检系统人工识别效率低,人为因素带来的不确定性,辅助安检人员提高工作效率,具有一定的理论研究价值和实际应用价值,并且推动X射线安检系统向集成化、标准化、自动化、智能化发展,也为人工智能在安检领域的深入应用研究奠定了一定的基础。