隨著人工智能技術(shù)的興起，以卷積神經(jīng)網(wǎng)絡(luò)（CNN）為代表的深度學(xué)習(xí)方法開始廣泛應(yīng)用于計(jì)算機(jī)視覺和自然語言處理等領(lǐng)域。深度學(xué)習(xí)是對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的延伸，增加了神經(jīng)網(wǎng)絡(luò)的層數(shù)以獲得更加強(qiáng)大的特征提取和信息表達(dá)能力。相比于傳統(tǒng)方法，深度學(xué)習(xí)技術(shù)無需人工設(shè)計(jì)特征提取器，通過非線性函數(shù)近似模型把原始數(shù)據(jù)轉(zhuǎn)變成更加抽象的表達(dá)，自動(dòng)提取特征，并且算法性能會(huì)隨著訓(xùn)練數(shù)據(jù)量的擴(kuò)大而提升。

與深度學(xué)習(xí)技術(shù)的融合將是安檢CT射線源探測技術(shù)未來發(fā)展的一個(gè)重要趨勢。深度學(xué)習(xí)方法在處理圖像時(shí)能夠利用大量鄰域信息充分提取圖像特征，可得到檢測精度更高、抗噪性能更好的圖像。深度學(xué)習(xí)技術(shù)與CT檢測技術(shù)的融合主要體現(xiàn)在兩個(gè)方面：第一，深度學(xué)習(xí)技術(shù)可有助于CT檢測重建圖像質(zhì)量的提升；第二，基于深度學(xué)習(xí)技術(shù)的目標(biāo)檢測和識別可實(shí)現(xiàn)CT掃描重建圖像中危險(xiǎn)品的自動(dòng)識別。

深度學(xué)習(xí)算法在CT檢測圖像重建中主要有兩方面的應(yīng)用。首先，深度學(xué)習(xí)技術(shù)可融入CT重建算法中，對于解析重建算法，利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)重建算法中的加權(quán)、濾波以及反投影等步驟，可獲得低劑量CT情況下更好的圖像效果。對于迭代重建算法，神經(jīng)網(wǎng)絡(luò)可替代傳統(tǒng)算法中的正則項(xiàng)，從而避免手動(dòng)設(shè)計(jì)正則化項(xiàng)。其次，深度學(xué)習(xí)技術(shù)可用于CT重建圖像后處理中，在傳統(tǒng)方法重建圖像后，利用深度學(xué)習(xí)技術(shù)對CT重建圖像進(jìn)行后期優(yōu)化處理以提高圖像質(zhì)量。

在CT檢測圖像危險(xiǎn)品自動(dòng)識別方面，2012年，Krizhevsky提出的基于深度卷積特征的圖像分類算法AleXNet徹底改變了圖像處理的局面，利用深度學(xué)習(xí)方法提取深度卷積特征，其準(zhǔn)確率遠(yuǎn)高于當(dāng)時(shí)最好的圖像分類算法，成為了圖像分類研究熱點(diǎn)從傳統(tǒng)視覺方法轉(zhuǎn)移到卷積神經(jīng)網(wǎng)絡(luò)的分水嶺。2016年，Ak?ayS首次將深度卷積網(wǎng)絡(luò)引入X射線危險(xiǎn)品檢測，采用遷移學(xué)習(xí)方法將深度卷積網(wǎng)絡(luò)應(yīng)用于X射線圖像危險(xiǎn)品檢測的特征提取、表示和分類全過程。該研究表明深度卷積網(wǎng)絡(luò)在危險(xiǎn)品圖像分類方面（有無槍械）相較于傳統(tǒng)方法有很大提升，且在六類危險(xiǎn)品圖像分類問題上也有不錯(cuò)的表現(xiàn)，充分證明了深度學(xué)習(xí)技術(shù)在X射線圖像危險(xiǎn)品檢測的應(yīng)用潛力。

隨著安檢CT射線源探測技術(shù)在安檢設(shè)備中的深入應(yīng)用，安檢圖像也將經(jīng)歷由二維向三維體視圖像的升級，同時(shí)深度融合雙能CT物質(zhì)識別技術(shù)與人工智能技術(shù)可有力提升危險(xiǎn)物品識別的能力和精度。未來安檢工作中，首先可利用基于人工智能技術(shù)的目標(biāo)檢測算法實(shí)現(xiàn)安檢數(shù)據(jù)結(jié)構(gòu)化，積累相關(guān)安檢數(shù)據(jù)，構(gòu)建安檢大數(shù)據(jù)平臺；其次，基于深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的成功應(yīng)用，可將各種優(yōu)秀、顛覆性的算法引入到安檢圖像目標(biāo)檢測和識別中，提高當(dāng)前安檢設(shè)備的功能和性能。