汽车携带危险品问题屡见不鲜,已成为公共领域的重要危害之一,尤其是汽车底部位置,由于其极强的隐秘性,很容易被不法分子利用来隐藏炸弹、枪支、易燃易爆危险品等,给人们生命财产造成很大威胁。当前,车底检测主要依赖图像技术,通过车底扫描设备进行车底图像拍摄,然后通过人工进行安检。这种检测方式一方面人工成本较高,安检员需要长时间注视屏幕,容易造成眼部疲劳出现误检;另一方面车底信息获取渠道单一,仅能通过图像信息对车底危险情况进行视觉层次的判断,检测不够全面。所以研发一套快速、准确、智能的车底安检系统显得格外重要。近年来,智能安保机器人技术得到了快速发展,但是在车底检测领域还极少取得应用。本文利用现有安保机器人技术,针对车底检测场景,研究了一套安保机器人车底检测平台,并对车底危险目标检测算法进行了重点改进。首先,本文对安保机器人车底检测平台进行了整体设计,包括车底检测流程的设计,车底检测平台硬件和软件的设计等。硬件方面主要包括传感器的选择与布置设计,车底检测平台的安装布局设计等;软件方面主要包括车底检测客户端程序的开发,多传感器信息融合算法设计和车底危险品图像检测算法设计等。通过软硬件的结合,使车底检测平台具备高效性、全面性、智能性。其次,本文对深度学习图像目标检测算法进行了重点研究,通过对卷积神经网络结构进行系统研究,对目前主流目标检测技术进行综合对比分析,最终选用了YOLOv3网络进行车底危险品检测,还通过设置对比实验分析验证了YOLOv3网络在车底危险品图像检测场景中的可行性,并探讨了其存在的问题。最后,本文建立了危险品数据集,并通过多数据集分步训练和增加网络输出分支的方式对YOLOv3算法进行改进使其更适合车底检测环境。为了验证算法改进的有效性,本文对多数据集分步训练和增加网络输出分支改进分别设置了三组对比实验进行验证。实验证明:本文改进的YOLOv3算法在车底环境应用中检测效果得到了明显提高,整个安保机器人车底检测平台能够快速准确的对车底危险物进行危险等级推荐,具有较高的应用价值。