随着硬件和软件技术的提升,计算机变得越来越强大,开始逐渐胜任一些以前只有靠人类才能完成的工作,使用机器来为人类的工作和生活提供便利成为现代社会新的发展趋势。根据我国权威机构发布的统计数据,过去几年中国的人工智能产业规模不断增长,说明中国在该产业上潜力较大,AI广泛应用于许多领域,特别是在企业技术整合与解决方案,关键技术研究和应用平台、智能机器人、新媒体和数字内容、智能医疗、智能商品和零售等领域应用最多。地铁安检是一项简单却繁琐的工作,为了确保绝对安全,不让任何危险物品被乘客带上地铁,安检员不仅需要时刻关注监视器,还需要具备一定的经验且眼疾手快,尤其是在进站高峰期,工作人员常常因为长时间注意力集中地进行重复性工作而感到疲倦,为此本文考虑应用机器学习和图像识别技术来为地铁安检工作提供便利。论文的主要工作如下:1.收集样本数据,将样本数据划分为训练集和测试集,基于统计学习方法,分别采用Logistic模型、XGBoost模型、随机森林模型对样本数据建模,在建模之前使用网格搜索法对模型超参数进行调优,找到最佳参数组合,使用模型学习训练集样本,对测试集样本做出预测,三种模型的预测准确率分别是53.0%、80.7%和75.0%,最后综合比较三种模型的学习性能,结果表明,XGB-oost 模型是三种模型中表现最佳的。2.使用由Python搭建的卷积神经网络对实证数据建模,通过网格搜索的方式确定超参数以后,使用模型来学习训练样本集,用经过训练之后的模型来预测测试样本,预测准确率为86.2%,计算模型预测结果的精确率、召回率和Macro-FI等各项评价指标的数值,并做出评价。3.对比XGBoost和卷积神经网络模型的各项指标得分,对比结果显示,无论精确率(Precision)、召回率(Recall)、Macro-F1还是Micro-Fl,卷积神经网络的得分都高于XGBoost模型,表明卷积神经网络是更适合的模型,在实际应用中应该被优先考虑。