X光影像违禁物检测能够自动识别包裹中是否有违禁物品。近年来随着深度卷积神经网络的发展,安检自动化取得突破性进展。又因其结构优势,在处理结构化数据方面表现出巨大潜力,使得基于X光影像的违禁物检测技术取得进一步发展。由于安检包裹中的违禁物品往往是杂乱无章、混乱无序的,包裹中的违禁物品容易出现高度重叠、严重遮挡的情况,现有方法仅利用几何外观信息增强模型检测能力,然而,与几何信息联系紧密的低层边缘线索在图像处理过程中必定会引入过多无关噪声,加之复杂的背景信息干扰伴随诸多不确定性,因而加大了模型推理误差,阻碍了准确快速的违禁物检测模型的实现,使得遮挡问题成为安检场景下的较难挑战。另外,由于包裹中的违禁物品尺度分布较广,现有检测器对小尺度违禁物品表现出检测精度不足的现象。出于安全考虑,模型在保证召回率的前提下,出现过多错误检测结果,使得小尺度违禁物检测成为另一挑战。针对以上问题,本文做了以下工作:（1）为了提升检测模型在遮挡场景下的检测性能,本文提出了一种多尺度跨图像弱监督学习的违禁物检测方法。该方法利用特征交互模块,对相邻尺度的特征进行一次或多次交互,以缓解不同尺度特征间的语义鸿沟。然后,运用跨图像联合注意力机制感知图像对中的同类目标和异类目标。最后,该方法引入多任务学习模块,执行像素级违禁物图像分割任务,辅助模型完成违禁物检测。该方法在SIXray和OPIXray数据集上分别取得了2.26%和2.49%的m AP提升。（2）为了提升检测模型对小尺度违禁物的检测能力,本文提出一种结合难例增强的违禁物级联检测方法。该方法利用结合难例挖掘的数据增强方式,改进对小尺度违禁物的检测能力。然后,该方法利用结合验证网络的级联检测模型,滤除初始检测器的错误输出结果。相比单个复杂检测器的方法,该方法可有效降低训练难度、稳定检测召回率,并在SIXray和OPIXray数据集上分别取得了2.64%和2.07%的平均精度均值（mean Average Precision,m AP）的提升。（3）为了缓解当前深度模型训练普遍存在的标注数据缺乏的问题,本文提出了一种仅利用数据集原始标签获得不同细粒度训练标签的方法。该方法仅利用目标检测标签构造图像分割伪掩码,以及图像级标签用于模型训练。同时,本文合理利用训练流程生成多阶段模型,并通过不同样本及标签的重新组合构成新的训练数据,避免标注训练数据不足的问题。另外,该方法不局限于本文工作,其独立性使其在各类基于深度学习的应用场景中均可适用。本文所述基于深度卷积神经网络的违禁物检测方法旨在提升公共场所的安全性,该方法通过对安检包裹进行实时、精确的检测快速判断乘客包裹中是否存在违禁物。