隨著人工智能技術(shù)的興起，以卷積神經(jīng)網(wǎng)絡(luò)（CNN）為代表的深度學習方法開始廣泛應(yīng)用于計算機視覺和自然語言處理等領(lǐng)域。深度學習是對傳統(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)以獲得更加強大的特征提取和信息表達能力。相比于傳統(tǒng)方法，深度學習技術(shù)無需人工設(shè)計特征提取器，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，自動提取特征，并且算法性能會隨著訓練數(shù)據(jù)量的擴大而提升。

與深度學習技術(shù)的融合將是安檢CT射線源探測技術(shù)未來發(fā)展的一個重要趨勢。深度學習方法在處理圖像時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。深度學習技術(shù)與CT檢測技術(shù)的融合主要體現(xiàn)在兩個方面：第一，深度學習技術(shù)可有助于CT檢測重建圖像質(zhì)量的提升；第二，基于深度學習技術(shù)的目標檢測和識別可實現(xiàn)CT掃描重建圖像中危險品的自動識別。

深度學習算法在CT檢測圖像重建中主要有兩方面的應(yīng)用。首先，深度學習技術(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，從而避免手動設(shè)計正則化項。其次，深度學習技術(shù)可用于CT重建圖像后處理中，在傳統(tǒng)方法重建圖像后，利用深度學習技術(shù)對CT重建圖像進行后期優(yōu)化處理以提高圖像質(zhì)量。

在CT檢測圖像危險品自動識別方面，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，利用深度學習方法提取深度卷積特征，其準確率遠高于當時最好的圖像分類算法，成為了圖像分類研究熱點從傳統(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射線危險品檢測，采用遷移學習方法將深度卷積網(wǎng)絡(luò)應(yīng)用于X射線圖像危險品檢測的特征提取、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，且在六類危險品圖像分類問題上也有不錯的表現(xiàn)，充分證明了深度學習技術(shù)在X射線圖像危險品檢測的應(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)的目標檢測算法實現(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，基于深度學習在計算機視覺領(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檢測和識別中，提高當前安檢設(shè)備的功能和性能。