违禁物检测是保障人民和交通运输安全的重要措施,但是国内的安检方式主要还是依靠人工检测,存在着漏检、误检、效率慢等诸多的隐患。近年来,深度学习的快速发展给各行各业带来了技术革新,极大地提升了工作的效率,安检领域也急需一种结合深度学习能够准确快速地识别违禁物的智能安检设备。针对此问题,本文提出了一种基于改进YOLOv5的轻量化违禁物检测算法,使其能够部署在内存和计算资源有限的嵌入式设备中进行实时检测。主要研究工作及结果如下:（1）研究分析了X光的成像原理以及安检设备的工作流程,使得更加全面的了解违禁物检测任务。由于X光的特殊性,生成的违禁物图像在检测过程中具有重叠严重、尺寸多样、特征丢失等问题。通过多种数据增强技术处理收集的X光图像,平衡各类别违禁物之间的图像数量,得到高质量的X光安检违禁物数据集。针对X光图像检测的难点和网络轻量化的需求,对YOLOv5算法进行了一系列优化措施。（2）在轻量化改进方面,将改进后的ECA（Efficient Channel Attention）引入到Ghost瓶颈（Ghost Bottleneck）结构中形成GE模块,在不增加模型复杂度的同时带来明显的性能提升,网络参数通过实验探索得到,搭建出新的轻量化主干网络,提高了特征重用和网络检测性能。其次YOLOv5其他部分中包含大量的冗余操作,将其替换为Ghost瓶颈结构和深度可分离卷积,显著地减小了网络参数量和运算量（floating point operations per second,FLOPs）,分别下降了43.8%和26.7%,模型大小仅为7.97MB。（3）在性能提升方面,对当前主流的激活函数进行了对比分析,将性能优良的激活函数添加到各种模块的适合位置中。针对检测过程中出现的漏检、误检情况,将改进后兼顾通道和空间信息的CA（Coordinate Attention）嵌入到Neck中,提取关键有效的特征信息。除此之外,为了改善检测中遮挡重叠的情况,得到更加合理有效的预测框,在模型训练阶段采取迁移学习、K-means++、DIOU NMS等优化措施,进一步提升了网络性能。实验结果表明,构成的YOLOv5s-R性能优于YOLOv5s,m AP@0.5:0.95（mean Average Precision）达到84.1%,检测速度也具有46.2 FPS（Frames Per Second）,能够提供实时检测。（4）将YOLOv5s-R部署到人工智能嵌入式设备Jetson Nano中,进行Tensor RT加速,检测结果达到了精度与速度的平衡。