世界各地恐怖事件频发,做好大型公共场所的安全检查十分重要,但检测效果好的X射线手段无法用于人体检测,只能靠检查人员搜身检查,此方法效率慢,危险性高。毫米波成像系统可以检测到人体衣物下的物体,且对人体无辐射,是十分安全的检测方法,检测效率高。但是成像系统所成图像分辨率低,不利于检测人员识别,因此提高图像质量以及自动检测与识别对安检具有强大意义。本文分别对毫米波图像去噪以及毫米波图像中的目标检测进行了详细地研究。包含以下三个方面:第一,深入研究了深度学习技术理论的数学基础,基于人类神经元联系的工作原理,建立了神经元与多层感知机的数学模型,并在多层感知机模型的基础上,基于图像的局部性与平移不变性原理,推导出了卷积神经网络的数学模型以及转置卷积的数学模型。然后对监督学习算法的整体训练流程进行了深入的剖析,对其中的常见损失函数的特点及性质进行详细的研究,并详细阐述了反向传播算法以及优化算法的工作原理。最后研究了近年来经典的卷积神经网络的结构及其特点,包括Le Net、Alex Net、VGG、Goog Le Net以及Res Net。第二,使用生成对抗网络对毫米波图像去噪算法进行了研究。首先前往实验室收集了2430幅毫米波图像,在原图像集的基础上筛选出重复图像以及质量不高的图像,随后使用图像处理软件制作出原始图像对应的去噪图像作为学习目标,共制作991幅图像。然后深入研究了用于处理图像的生成对抗网络的工作原理,在深入研究其损失函数的过程中发现了原损失函数存在的问题,并在此基础了使用Wasserstein距离对其进行了改进,随后进行了对比实验,应用所有的改进措施后峰值信噪比可到24.02d B,结构相似性系数可达0.91,证明了改进的有效性。去噪结果可用于随后的目标检测与识别任务中。第三,使用YOLO对毫米波图像中的目标进行检测与识别。首先使用开源软件label Img在带噪和去噪两个图像集分别进行单类检测与多类检测的数据制作,总共得到四个用于训练的数据集。然后对YOLO检测算法的核心原理进行了深入的研究,并根据最新的研究成果,在原有算法的基础上增加了锚框,将原来基于均方误差损失函数替换为基于交并比的损失函数,在输出端使用多个尺度的输出,以使得可对图像中不同大小的目标进行检测。最后分别在四个数据集上进行了实验,在单类目标的检测中,在带噪数据集上训练可得到90.3%的精度,94%的召回率,92.3%的m AP;在去噪数据集上训练可以得到95.6%的精度,95.7%的召回率,95.8%的m AP,可见对图像进行去噪处理后取得的性能好于未去噪。在多类目标的检测中,在带噪数据集上训练可得到90.1%的精度,86.2%的召回率,90.2%的m AP;在去噪数据集上训练可得到94%的精度,92.5%的召回率,94.7%的m AP。无论是单类检测还是多类检测,在去噪数据集上的训练结果均好于带噪数据集上的训练结果。综上,本文关于深度学习、生成对抗网络、毫米波图像去噪、YOLO算法以及毫米波图像中的目标检测与识别进行了详细地研究,得出的结论可应用于基于毫米波成像的安检设备。