本文的研究基于现实安检过程中,管制物品图像的语义分割来展开。目前,管制物品的检测工作大部分是通过安检X光机对包裹扫描,人眼判断包裹是否夹带管制物品,其中,安检X光机对包裹中的一些小目标检测效果较差,甚至检测不到,存在安全隐患,管制物品的自动语义分割能有效提高安检效率和提升安全指数,并同时能够节约人力成本,保障人们在公共出行和公共场所的安全。图像的语义分割是计算机视觉基本任务之一,图像的语义信息是用定义的标签来对图像的每个像素进行分类得到,相似性视觉特征的像素划为同一类标签,通过划分每个像素点的类别,达到区域划分效果。本文针对管制物品图像的语义分割任务,所做的工作阐述如下:（1）对目前基于深度学习的语义分割现状和主要模型和使用到的技术进行了阐述。专门采集制作了特有的管制物品图像数据集CLD2020共1500张,用于对管制物品图像语义分割算法的研究,该数据集包含六类:刀、枪、剪刀、斧头、钝器、其它（小物品、疑似危险品等）。（2）提出了多尺度深度卷积神经网络（MDCNet）分割模型,编码器部分主要是通过深度卷积神经网络获取管制物品图像的低层信息,利用网络中的金字塔池化层对目标高级抽象特征的提取,从而完成对管制物品像素标签的正确分类。解码器主要是利用级联卷积和注意力机制,将不同的网络进行融合,并实现特征增强,提高管制物品图像的分类精度。用FCN、Deep Lab V2、PSPNet和Deep Lab V3+算法和本文提出的MDCNet算法在VOC2012测试集进行性能比较,实验结果表明MDCNet算法可以达到较好的性能效果,比PSPNet的MIo U提高了2.11%,和Deep Lab V3+的MIo U仅相差1.29%,MDCNet算法在普通物体的语义分割性能与对比算法相当。在CLD2020数据集的测试中,MDCNet算法比Deep Lab V3算法的MIo U提升了1.61%,MDCNet算法在针对CLD2020数据集时,对小管制物体的分割准确度与Deep Lab V3+对比有明显提升。（3）对全卷积网络Seg Net,FC-Dense Net和Deep Lab V3+用CLD2020数据集进行研究对比,从分类准确性、实际效果和计算效率来评估算法的性能。把条件随机场（CRF）作为改进分割的后处理模块,对Seg Net和FC-Dense Net的PA分别提升了4.3%和1.1%,MIo U分别提升了6.4%和1.5%;在Deep Lab V3+使用Xception和Mobile Net V2的PA分别提升了10%和0.9%,MIo U提升了9.4%和0.3%,可以看出CRF用于Deep Lab V3+（Xception）的性能提升最明显。全卷积网络在添加CRF后网络性能提升的同时,计算效率有一定的降低。