进入21世纪,我国受恐怖主义影响,面临的公共安全形势更加严峻。因此在当前这个特殊时期,维护社会稳定更加重要。安检作为机场、车站等公共场所的重要安全屏障,发展相关技术具有重要意义。太赫兹及毫米波无源探测成像技术具有较好穿透性、无辐射、非接触等优点,在安检领域具有广泛的应用前景。其中图像预处理和目标检测是该技术的核心,影响着探测系统的功能实现效果。本文依托现有实际科研项目,开展太赫兹无源探测成像图像的预处理算法研究,主要包括图像的去噪和增强。同时基于目前已有毫米波图像中隐匿目标的检测问题,探究对传统目标检测方法的研究与改进。根据在安检领域应用过程中快速、准确、低计算量的特点,研究提出了基于深度学习的快速目标检测算法。主要内容如下:(1)基于黑体辐射理论,分析讨论了太赫兹及毫米波段辐射特性和无源探测成像原理;并简介了一种太赫兹无源探测成像系统的组成结构和工作原理。(2)通过分析太赫兹成像图像中条纹噪声和散点噪声产生的原因,研究太赫兹图像的预处理方法。主要包括研究了基于背景定标去噪方法,并以此为基础,使用小波变换和各向异性扩散滤波理论进一步改进,有效地去除了噪声。同时针对图像中目标及其周围存在阴影问题,通过仿真测试比较分析了经典图像增强算法对阴影的抑制效果,仿真测试结果表明幂次变换可在一定程度上有效抑制阴影。(3)研究分析了基于阈值分割的目标检测算法,通过改进分割算法研究提出了一种基于Otsu(大津法)的二次阈值分割的目标检测(Target Detection Algorithm based on Twin-Otsu Segmentation,TDA-TOS)算法。针对传统基于阈值分割的目标检测算法存在虚警率高的问题,提出使用卷积神经网络对检测结果进行校正,有效地降低了检测虚警率。(4)针对安检领域中需要快速、准确地检测隐匿危险目标的需求,研究提出了一种基于深度学习的目标检测算法“ID-SSD(Single Shot MultiBox Detector with Improved DenseNet)”。其采用SSD算法作为基础网络模型,通过使用轻量化、高效的特征提取网络,调整损失函数和先验边界框生成策略,并使用迁移学习理论解决小样本集训练问题。仿真测试表明该算法实现了快速、高准确率的应用要求。