YOLOv5（You only look once，v5）具有检测速度快、精度高的优点，被广泛应用于实时目标检测中。针对X光安检图像背景复杂、物体多尺度、相互重叠导致的错检、漏检问题，在YOLOv5s网络结构的基础上，通过改进注意力机制开发了新的特征融合策略，并提出了一种具有自适应特征融合策略与注意力机制的目标检测YOLOv5s-AFA网络。该网络在浅层引入扩大感受野模块与改进的空间注意力机制，在深层引入改进的通道注意力机制。新的特征融合策略可每次输出三个不同深度的特征图，通过自适应学习权重融合浅层空间信息与深层语义信息，使网络的学习更具针对性。在X光安检图像数据集上的目标检测结果表明，相比其他对比网络，YOLOv5s-AFA网络的错检率和漏检率有明显降低。

现有的目标检测算法检测X光安检图像中较小尺寸的危险品精度较低,为此提出一种多尺度特征融合检测网络,即MFFNet(Multi-scale Feature Fusion Network),其以SSD检测模型为基础并采用更深的特征提取网络,即ResNet-101。通过跳跃连接的方式将网络的高层语义丰富特征与低层边缘细节特征进行融合,为小尺度危险品的检测添加上下文信息,可以有效提升对小尺度目标的识别与定位精度。将融合得到的新特征层与SSD扩展卷积层一起送入检测。实验结果表明,MFFNet能够使X光安检图像中的危险品特别是较小尺寸的危险品,检测精度得到较大的提升,同时能够保持相对较快的检测速度,满足现代化安检的要求。