Actualmente, los sistemas de inspección por rayos X pueden producir detecciones falsas debido a factores como los tamaños variables de las imágenes de contrabando, los fondos complejos y los bordes borrosos. Para abordar este problema, proponemos el método YOLO-CID para la detección de imágenes de contrabando. En primer lugar, diseñamos el módulo MP-OD en la red principal para mejorar la capacidad del modelo de extraer información clave de imágenes de fondo complejas. En segundo lugar, en el cuello de la red, diseñamos una versión simplificada de BiFPN para agregar líneas de conexión entre escalas en la estructura de fusión de características, para preservar información semántica más profunda y mejorar la capacidad de la red para representar objetos en situaciones de bajo contraste u oclusión. Finalmente, agregamos una nueva capa de detección de objetos para mejorar la precisión del modelo en la detección de objetos pequeños en entornos densos. Los resultados experimentales en el conjunto de datos público PIDray muestran que la tasa de precisión promedio del algoritmo YOLO-CID es del 82.7% y la tasa de recuperación es del 81.2%, que son un 4.9% y un 3.2% más altas que el algoritmo YOLOv7, respectivamente. Al mismo tiempo, el mAP en el conjunto de datos CLCXray alcanzó el 80.2%. Además, puede lograr una velocidad de detección en tiempo real de 40 cuadros por segundo y 43 cuadros por segundo en escenas reales. Estos resultados demuestran la efectividad del algoritmo YOLO-CID en la detección de contrabando por rayos X.