由于恐怖份子携带危险物品危害社会治安的情况屡屡发生,使得人体安检目前在世界各国备受重视。通过主动毫米波图像进行人体是否携带有隐匿危险物品的检测方式能够较好地对人体进行检测,但使用人工对图像检测仍然存在被检测人员的隐私泄露以及检测人员的视觉疲劳等多方面问题。而基于深度学习的目标检测方法能够实现自动化的学习目标特征,端到端的进行人体检测。因此本文将针对所使用的主动毫米波图像数据集的特点,对其相应的隐匿物品检测算法进行研究。主要研究内容如下:（1）分析了目前已有的使用传统图像处理方法和基于深度学习的目标检测方法进行毫米波图像隐匿物品检测时存在的问题,指出由于主动毫米波图像自身信噪比低、信息量少并且存在伪影而导致检测性能不足的原因,同时也提到对单帧图像进行检测的局限性。（2）针对上述问题,结合卷积神经网络强大的特征提取能力以及循环神经网络处理时序特征的能力,构建了基于时序性多角度的检测网络。同时通过组合不同网络结构进行实验结果对比,分析其优缺点,为后文中的改进奠定基础。（3）为了降低检测网络的虚警率,提高检测性能,在数据预处理部分使用mixup数据增强对数据集进行扩增,提高模型泛化能力,同时结合注意力机制和难分负样本挖掘技术提高模型对难以分辨的样本的敏感性,弱化伪影噪声对检测结果的影响。最终通过实验对比发现检测性能确实有所提升,同时也可以选择出最佳检测模型为后续集成学习做铺垫。（4）通过不同角度的输入构建不同的检测模型,采用集成学习方法将此类模型进行融合,降低由于单个模型的检测错误而造成的错误判断,强化了检测的稳定性,提高了整体检测性能。本文主要使用了Xgboost算法进行集成,并与投票的集成方式进行了对比试验,分析其优缺点。