近些年来,恐怖袭击、暴力事件频繁发生,对人们的人身安全产生巨大影响,安全问题成为各国领导关注的问题。安全检查是预防恐怖事件发生的重要举措,X线安检设备被广泛应用在各个公共场所,但目前安检工作高度依赖于人工,在客流量大、安检人员工作时间长的情况下,容易出现漏检、错检的问题,在这种背景下违禁品X线图像检测成为研究热点,借助人工智能技术检测违禁品,辅助安检人员安检。本文基于违禁品X线图像特点,提出基于深度学习的违禁品X线图像检测网络。主要研究内容如下:一、违禁品X线数据集的建立及样本处理。首先针对违禁品X线公开数据集较少并且图像质量低的问题,本文建立了常见违禁品数据集PIXray,该数据集由5148张包含六类违禁品的X线图像构成,其次进行图像去噪及锐化,最后手工标注真值信息得到高标准数据集。二、基于注意力机制的多尺度特征提取网络设计。本文针对违禁品大小不一及安检图像背景混乱的特点,提出基于注意力机制的多尺度特征提取网络。引入通道注意力模块,为每个特征通道赋予不同的权重,突出有用信息通道;融合经卷积神经网络提取的各尺度的特征图,结合了底层视觉信息和高层语义信息,实验表明该特征提取网络设计有效提高了违禁品检测精度。三、面向密集遮挡问题的检测网络设计。针对安检中物品堆叠、遮挡的问题,改进非极大值抑制算法,降低被非极大值抑制的检测框的置信度,一定程度上降低漏检现象;损失函数中增加排斥损失（Repulsionloss）,使得预测框远离非本目标的真实框,降低距离较近的两目标间的相互影响。实验表明本检测网络可在密集遮挡现象下更加准确的检测违禁品。本文提出的基于深度学习的违禁品检测网络具有理论和应用价值,能够辅助安检人员完成常见违禁品检测任务,提高安检效率。