随着人工智能技术的兴起，以卷积神经网络（CNN）为代表的深度学习方法开始广泛应用于计算机视觉和自然语言处理等领域。深度学习是对传统神经网络的延伸，增加了神经网络的层数以获得更加强大的特征提取和信息表达能力。相比于传统方法，深度学习技术无需人工设计特征提取器，通过非线性函数近似模型把原始数据转变成更加抽象的表达，自动提取特征，并且算法性能会随着训练数据量的扩大而提升。

与深度学习技术的融合将是安检CT射线源探测技术未来发展的一个重要趋势。深度学习方法在处理图像时能够利用大量邻域信息充分提取图像特征，可得到检测精度更高、抗噪性能更好的图像。深度学习技术与CT检测技术的融合主要体现在两个方面：第一，深度学习技术可有助于CT检测重建图像质量的提升；第二，基于深度学习技术的目标检测和识别可实现CT扫描重建图像中危险品的自动识别。

深度学习算法在CT检测图像重建中主要有两方面的应用。首先，深度学习技术可融入CT重建算法中，对于解析重建算法，利用神经网络实现重建算法中的加权、滤波以及反投影等步骤，可获得低剂量CT情况下更好的图像效果。对于迭代重建算法，神经网络可替代传统算法中的正则项，从而避免手动设计正则化项。其次，深度学习技术可用于CT重建图像后处理中，在传统方法重建图像后，利用深度学习技术对CT重建图像进行后期优化处理以提高图像质量。

在CT检测图像危险品自动识别方面，2012年，Krizhevsky提出的基于深度卷积特征的图像分类算法AleXNet彻底改变了图像处理的局面，利用深度学习方法提取深度卷积特征，其准确率远高于当时最好的图像分类算法，成为了图像分类研究热点从传统视觉方法转移到卷积神经网络的分水岭。2016年，Ak?ayS首次将深度卷积网络引入X射线危险品检测，采用迁移学习方法将深度卷积网络应用于X射线图像危险品检测的特征提取、表示和分类全过程。该研究表明深度卷积网络在危险品图像分类方面（有无枪械）相较于传统方法有很大提升，且在六类危险品图像分类问题上也有不错的表现，充分证明了深度学习技术在X射线图像危险品检测的应用潜力。

随着安检CT射线源探测技术在安检设备中的深入应用，安检图像也将经历由二维向三维体视图像的升级，同时深度融合双能CT物质识别技术与人工智能技术可有力提升危险物品识别的能力和精度。未来安检工作中，首先可利用基于人工智能技术的目标检测算法实现安检数据结构化，积累相关安检数据，构建安检大数据平台；其次，基于深度学习在计算机视觉领域的成功应用，可将各种优秀、颠覆性的算法引入到安检图像目标检测和识别中，提高当前安检设备的功能和性能。