地质雷达技术因具有高分辨率、高效率、雷达图像直观以及对掩埋物无损伤等优点,因此在地下掩埋物探测领域被广泛应用。但是,由于图像在采集过程中不可避免的受到不同噪声的干扰,这些噪声严重影响地质雷达图像中掩埋物反射波形的质量,因此导致对掩埋物中目标体的检测精度下降。针对此问题,虽然传统的地质雷达图像去噪技术能够对图像中的部分噪声进行滤除,但是会不同程度的破坏图像中目标体的边缘细节纹理特征,从而使图像中目标体的检测性能下降,导致在工程应用中出现虚警或漏警现象。因此,研究一种既具有良好的去噪性能又可以保护目标体边缘细节纹理特征不被破坏的去噪方法迫在眉睫。（1）将双边滤波和三维块匹配（BM3D）算法相结合构造了一种既可以有效去除地质雷达图像中的噪声又能使目标体边缘细节纹理特征不被破坏的联合去噪算法。该联合去噪算法充分利用了双边滤波能保边去噪及BM3D算法能较好滤除高斯白噪声又可以保留图像细节纹理特征的优势。给出了算法流程图,并对表征地质雷达图像去噪效果的两个性能指标（峰值信噪比、结构相似性）进行了对比分析。实验结果表明,随着信噪比的增加,所提算法的去噪效果优于单一采用空间域、频率域及空频域时的去噪方法,特别在小信噪比时,不仅具有较高的峰值信噪比而且结构相似性也得到明显提升,从而使图像在达到较好去噪性能的同时又能有效保留目标体边缘细节纹理特征。（2）为更好的提高地质雷达图像中掩埋目标体的检测与分类精度,在快速区域卷积神经网络（Faster RCNN）的基础上构造了一种改进的Faster RCNN网络模型。首先通过现场试验采集了不同掩埋物的实测数据集以及在相同配置环境下采用GPRMax3.0输出的模拟数据集。然后采用基于改进的Faster RCNN目标检测框架,同时以VGG16作为掩埋物目标检测与分类模型的特征提取网络,并采用K-means聚类算法对区域建议框的生成尺寸进行改进。接着对该模型分别采用实测数据集和模拟数据集进行有监督的训练和测试。实验结果表明,在所提方法下实测多目标图像的m AP值相对于Faster RCNN模型提高了约2.06%,其最好成绩能达到92.56%,同时在模拟单目标与实测单目标中m AP值分别提高约0.48%、1.14%。因此所提改进网络不仅对单目标和多目标的模拟图像及实测图像具有较好的检测和分类效果,而且对实测多目标的检测与分类具有较强的鲁棒性。