随着全球化进程的不断推进,目标检测在安防领域的重要性与日俱增。检测公共场所下的管制刀具等危险物品为人们出行提供了有力保障。然而相关数据集的缺乏限制了检测算法的研究。同时,设备的差异以及光照、遮挡等多种因素的干扰使得通用物体检测算法难以有效发挥作用。因此,进一步研究危险物品检测,构建实时高精度的检测算法显得十分重要。本文主要研究可见光下的管制刀具检测,在构建一种刀具检测数据集的基础上,提出一种基于深度卷积神经网络的实时高精度检测方案,并针对现有方法在多种因素干扰下难以准确检测管制刀具的问题,提出一种高精度检测方案。本文主要工作包括:针对可见光下管制刀具数据缺乏的问题,构建了一种场景多样、背景复杂的刀具检测数据集。通过互联网、摄像等手段收集了多种场景下共计3790张刀具图像,并手工标注出每张图像中目标的位置和类别。数据集包含训练集与测试集,其中测试集依据检测难度被划分为三个子集。该数据集的构建扩增了目前刀具检测数据集的规模和多样性。针对现有算法难以实时高精度检测可见光下刀具的问题,提出了一种联合空间与通道注意力机制的管制刀具检测网络方案。通过将残差网络作为骨干网络以提高特征提取能力;引入混合注意力以凸显浅层特征区域与通道上的关键信息;引入通道注意力以提高深度特征通道间的依赖性。在刀具检测数据集上的实验验证了该算法具有较快的检测速度以及较高的检测精度。针对当前算法在多种环境因素干扰下难以准确检测刀具的问题,提出了一种基于自适应感受野模块的管制刀具检测网络方案。通过构建一种自适应感受野模块以增强网络对判别性特征的提取能力;针对目标尺度不一问题,使用特征金字塔结构实现多尺度特征融合;而针对特征金字塔结构带来的多尺度特征不一致问题,则构建一种密集特征融合模块以提高特征的尺度不变性。在刀具检测数据集与通用物体检测数据集上与现有代表性方法比较,验证了算法在特定目标与通用物体上均具有优良的检测性能。