在人员密集的地方,安检系统对于保证人们安全具有重要作用。目前大多安检系统已经实现智能化,但随着恐怖分子作案手段的升级出现了诸多异型危险品,现有的危险品知识先验模型无法有效覆盖,需通过扩充后数据集重新训练检测模型实现异型危险品的识别。但是,重新训练模型方法会造成模型训练效率低及训练时间随数据扩充而增加的问题。针对该问题,本文研究了一种能充分利用原模型并提高训练效率的增量学习目标检测算法。本文基于传统目标检测算法基本原理,在Fast rcnn网络基础上,为了避免训练过程中梯度消失,研究了基于Fast rcnn的增量学习目标检测算法。将特征提取网络替换为50层的残差网络;同时,向用于输出的全连接部分加入与新类个数相适应的分类神经元和边框回归神经元以实现对新增类别的学习,并设计损失函数使网络在学习新类目标的同时避免灾难遗忘。进一步,针对Fast rcnn网络需单独生成区域的问题,采用了Faster rcnn网络,并对其特征提取网络进行替换。重点研究了该目标检测框架下RPN候选框生成网络的增量学习算法,最后将增量学习思想应用在Faster rcnn框架中的分类和边框回归网络上,该算法提高了检测精度和训练速度。本文算法均在公开无人驾驶数据集和安检数据集上进行实验以验证可行性与有效性。实验结果表明,算法在新旧类上均获得了85%以上的检测置信度,即表明本文算法既能有效利用在旧类上训练网络参数,又能实现对新类目标的学习,从而改善训练模型效率低的问题。