随着人工智能的迅速发展,深度学习技术被逐渐应用到X光安检领域,这对于提升安检人员的工作效率和保障社会公共安全具有重要意义。由于X光图像中目标尺度变化明显、背景干扰比较严重等因素的影响,目前基于深度学习的目标检测算法存在精度不高和目标漏检的问题。为了进一步提升算法性能和推进X光安检的自动化进程,本文在现有的目标检测算法基础上设计了改进算法。（1）为了提升X光图像中目标的识别精度,本文在M2Det网络的基础上对多层次特征金字塔网络进行改进,提出了EM2Det（Enhanced M2Det）目标检测网络。首先,设计了特征金字塔结构的特征融合增强模块,该模块融合了主干网络高层中的语义信息和低层中的细节特征信息,加强了模型对主干网络输出的不同尺度特征的提取能力;其次,本文设计了U型网络递归模块,增强模型对不同层次、不同尺度细节特征的学习能力;最后,使用CBAM（Convolutional Block Attention Module）构建残差边注意力模块,让模型更加关注有效特征,抑制无用的背景干扰。本文将改进后的模型在X光数据集SIXray＿OD上进行实验验证,实验结果表明,EM2Det的平均精度达到85.4%,比M2Det提升约6.4个百分点。（2）EM2Det较改进之前有较大的精度提升,但其检测速度明显下降。为了进一步提升模型的检测速度,本文使用深度可分离卷积对EM2Det轻量化设计,提出了高精度轻量化目标检测网络EM2Det-Lite。首先,使用深度可分离卷积对U型网络递归模块中的下采样卷积层进行设计,根据递归次数的不同设计了单递归U型模块和双递归U型模块,在多层U型网络中头部使用一个双递归U型模块,剩余七层使用单递归U型模块进行设计;其次,使用深度可分离卷积对主干网络中的后三层卷积层进行设计,减少参数占用。本文在SIXray＿OD数据集上进行实验验证,EM2Det-Lite较改进之前减少了63.5%的参数量,FPS（Frames Per Second）提升了7.2个点,平均检测精度也能达到85%。高精度模型的轻量化设计对于推动X光自动安检任务的进一步落地实现具有重要意义。