毫米波及太赫兹无源探测技术利用目标和背景之间的辐射亮温差异进行成像。基于该项技术研制的安检成像系统不仅可以有效对人体携带的汽油、金属、酒精进行探测,还具有实时高效、无辐射的优势。因此近年来,无源成像技术尤其是利用自然界广泛存在的太赫兹电磁辐射对目标进行成像受到了各国科研机构的广泛关注,其中如何对无源探测获取的图像进行有效的目标检测和跟踪一直备受科研工作者的瞩目。本论文依托实际科研项目,在分析毫米波及太赫兹无源成像结果特点的基础上,对如何有效地检测和跟踪目标进行了深入探讨。主要研究内容及结果包括以下几个方面:(1)研究了毫米波及太赫兹无源探测成像理论,阐述了太赫兹无源探测成像技术的优势,分析验证了太赫兹无源探测成像各部件性能指标与系统亮温分辨率的对应关系。(2)针对传统“基于阈值分割的目标检测算法”容易导致虚警的问题,分析了“基于特征匹配的目标检测算法”的特性,研究了利用卷积神经网络对目标特征进行自适应学习,提高了算法的检测精度。(3)根据成像场景的先验信息,在目标形态变化较小的前提下,研究了一种简化的特征构图建方法,该方法在不影响卷积神经网络对变尺度目标检测精度的情况下,可降低网络的复杂度。针对无源成像结果高噪声的特点,研究了利用修正的误差损失函数对网络进行训练的改进方法,分析了不同修正因子对检测算法的提升效果。(4)针对目标跟踪过程中出现的遮挡和目标消失等问题,研究了如何利用半监督学习算法对目标进行跟踪,分析了典型目标跟踪算法在高噪声、低分辨率场景下的缺陷,研究提出了一种“基于阈值分割的半监督学习跟踪算法(Tracking learning detection based on segmentation,TLD-BS)”。该算法通过重构分类器训练样本,可生成含噪声图像的稳定特征表述向量,从而获取更好的目标跟踪效果。