毫米波具有能够穿透人体衣物探测到隐匿物,又对人体无辐射危害的特点,因此将毫米波人体成像用于安检已成为近年来国内外安检领域的发展趋势。本论文主要研究基于深度学习和图像补全的毫米波人体图像异物检测和定位方法。因为国际上没有公开的毫米波安检图像数据集,本硕士论文的工作全部基于中科院上海微系统所提供的主动毫米波人体安检图像数据集。本论文的主要研究工作有:1)基于深度卷积生成对抗网络的图像补全:应用深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks)学习训练集图像特征并生成与训练集图像非常接近的新图像,用以实现图像区域补全;应用穷举法,即将人体图像中可能存在异物的大区域划分成小区域,将小区域依次挖掉并补全。补全完成后,得到一张未携带异物的毫米波人体图像。经过数据预处理,构建DCGAN网络结构,调节参数,使用TensorFlow框架成功训练了针对毫米波人体图像的DCGAN网络,并利用这个网络和穷举法实现了图像补全。2)通过对比补全前后的两张图像实现异物检测与定位。在实现对比的过程中,我们应用SAR图像变化检测方法和图像相似度检测方法。SAR图像变化检测是一种点检测方法,得到的差异图像是一个似然比值构成的二维矩阵,无法准确的实现异物检测和定位。因此,我们采用了区域判决法,即设立一个门限,若一个区域里有一定比例的点都大于这个门限,则认为这个区域包含异物,这样可以同时实现检测和定位。图像相似度可用于比较两张图像之间的相似度。补全后的图像与原图像相比较为接近,但不包含异物,因此可以分块对比补全前后的两张毫米波人体图像,如果某处的相似度较小,则说明该处可能包含异物。对检测结果进行分析,发现相似度检测法检测效果好于SAR图像变化检测,在达到相同检测率的同时实现了更低的虚警率。最后与Faster RCNN的检测定位效果进行对比,证明了本论文所提出方法的优越性。