探测人体衣服下的可疑危险品是保障公共安全的关键,常见的人体安检方式包括手持式金属扫描仪、金属安检门和人工搜查,但其存在效率低、检测物品单一和侵犯隐私等不足。为了突破传统安检方式的局限性,被动式太赫兹成像技术凭借其低辐射、强穿透和非接触式的独特优势,在人体安检领域得到了广阔的应用。然而,受限于现有的设备技术和工艺水平,太赫兹图像存在分辨率低、对比度低和特征模糊的问题,传统的可疑目标检测算法在精度和速度上难以满足安检需求,如何实现更精准、快速且易部署的检测方法成为当前的研究热点和难点。本文依托实际企业项目,在太赫兹人体安检图像特性基础上进行预处理研究,同时结合深度学习方法开展了图像分割和目标检测的研究,主要工作内容如下:（1）针对太赫兹人体安检图像存在大量条纹噪声的问题,采用中值滤波进行平滑处理,有效去除大部分噪声。针对图像中背景、人体与目标间亮度相似的问题,使用对数变换进行增强处理,提升图像前景与背景的对比度,为后续的分割和检测工作提供质量更高的数据样本。（2）针对太赫兹人体安检图像中条纹背景对可疑目标检测带来的不利影响,提出了一种基于Deep Labv3+改进的太赫兹人体安检图像分割算法。该算法通过调整金字塔特征模块中空洞卷积组合捕获多尺度特征信息,替换深度可分离卷积提高计算速度,并引入通道注意力机制增强提取人体细节特征的能力。实验结果表明,本文所提算法的平均交并比（mean Intersection over Union,m Io U）和像素精度（Pixel Accuracy,PA）分别达到75.46%和88.53%,可以从噪声背景中对人体部分进行有效提取,为可疑目标检测工作奠定基础。（3）针对太赫兹安检系统对可疑目标检测的高实时性、高精确度的要求,而可疑目标面积较小导致检测精度较低的问题,提出了一种以YOLOv5s为基础的可疑目标检测算法。该算法通过引入坐标注意力机制增强对物体定位的能力,修改特征金字塔模块整合多尺度目标语义特征,并改进边框损失函数提高预测结果精度。基于提取的人体兴趣图构建可疑物体数据集,经仿真测试结果表明,本文提出的YOLOv5s检测算法的平均精度均值（mean Average Precision,m AP）达到89.73%,相较于原始算法提高了4.77%,且预测帧率达到每秒31.72帧,改善了原始算法漏检或误检的问题,满足了实际安检场景中对危险物体检测精度和速度的要求。