行李X光图像中的违禁品识别与定位一直是智能安检领域中亟待解决的问题。近年来,卷积神经网络(Convolutional Neural Network,CNN)在图像内容分析中展现出强大的性能,然而,目前适用于网络训练的安检X光图像数据集在样本数量及样本多样性上存在较大的不足。为了建立一个大规模的安检X光物品图像数据集,本文提出一种基于生成对抗网络(Generative Adversarial Network,GAN)的安检X光物品图像生成方法。主要研究内容如下:1)提出了安检X光物品图像预处理方法。首先,基于K近邻抠图算法和Cycle GAN模型,从采集到的安检X光图像中提取目标物品前景。然后,构建一个空间直角坐标系来表征X光图像中物品的不同姿态,并将这些姿态归为4或8个类别。2)构建了适用于X光物品图像的GAN模型。首先,在原始GAN模型的基础上,从网络结构、损失函数及参数设置三个方面进行改进。其次,采用Frechet距离(Frechet Inception Distance,FID)评价指标来衡量不同GAN模型的性能差异。然后,基于所构建的GAN模型生成了15类新的X光物品图像,并且具有较好的视觉质量。3)提出了两种生成图像的多样性增强方法。一种是基于改进的pix2pix模型,将生成图像中的物品姿态进行变换;另一种是基于Cycle GAN模型,将物品的实物图像转换为X光图像。4)提出了基于CNN的生成图像评价方法。构建CNN图像分类模型,将生成图像数据集和真实图像数据集分别作为训练集和测试集,进行交叉分类验证实验。比较两次实验得到的分类结果,分析生成的图像能否用于数据集扩充。最后,通过模型性能对比实验,证明了生成的图像可以有效实现数据增强的目的。