在大多数的安防领域中,普遍采用手持金属探测器和X光设备结合检测的方式,分别对人和物体进行安防检测。这种方法不仅需要检查人员操作熟练,并且在人流量较大的时候,会延长旅客的等待时间。工作人员也会因长期的工作时间出现漏检等现象。所以,需要一种高效的、智能的安防检测方式。太赫兹成像技术因其具有较强的穿透性以及对人影响微乎其微的辐射性,在安防检测领域有着广阔的应用前景。随着近年来机器学习的发展,将机器学习的方法应用于安检,可以节约人力成本以及保证长时间安检的准确性。使用YOLOv5目标检测算法可以实现太赫兹安防检测的智能化。然而,太赫兹成像设备生成的安防图像存在分辨率较低、背景和目标的亮度相似、特征信息有限等特点,影响目标检测的精度。并且,同一个物体相对于不同角度所成的太赫兹图像差异巨大。针对上述问题,本文开展了关于太赫兹安防图像目标检测、太赫兹安防图像超分辨率重建和三维重建的理论分析、方法研究和实验模拟仿真工作,主要包括:（1）基于YOLOv5目标检测算法,结合二维太赫兹图像特点,提出了一种基于改进YOLOv5的目标检测算法,使用自建太赫兹图像数据集,在算法的平均精度均值下降2%的情况下,训练算法的时间减少77.02%,每秒检测帧率增加36.36%。（2）基于SRGAN生成对抗网络,实现了在无监督条件下,对太赫兹安防图像进行超分辨率重建。将生成器残差块中的卷积层的卷积核缩小,并将原有的归一化层替换为Dropout,将损失函数中的JS散度更改为Wasserstein。改进后的SRGAN相较于未改进版本,更容易观察算法在训练中的收敛过程,并实现了高品质的太赫兹图像超分辨率重建。（3）使用Tera GAN生成对抗网络,实现了在无监督条件下,二维太赫兹图像的三维重建,生成了高保真度的三维太赫兹图像,丰富了太赫兹安防图像数据集,减少了因角度问题对目标检测带来的影响。以上工作已通过实际实验仿真验证,结果表明,改进的YOLOv5可以实现精准的、算力消耗较少的太赫兹安防图像目标检测。改进后的SRGAN可以实现高保真度的太赫兹图像超分辨率重建。Tera GAN可将二维的太赫兹图像重建为具有高保真度的三维太赫兹图像。