随着对公共领域安防检测技术要求的日益提高,毫米波探测系统被广泛应用在安检的仪器设备上,相关仪器也被大规模地部署于火车站、飞机场、地铁站等公共交通场合。而毫米波探测系统又分为主动成像和被动成像两种,主动成像系统需要主动对目标场景发射毫米波能量,然后对反射的回波信息加以处理获得理想的成像效果;被动成像系统只需被动接收目标场景辐射出的毫米波能量就能实现成像。相较于主动成像方式,被动成像方式与可见光成像原理相似,有利于物体的辨认,不会产生电磁污染;且目标为金属时,成像品质较高。但是,由于检测环境的复杂性和设备硬件的影响,被动毫米波探测系统成像结果的分辨率和信噪比都偏低,限制了被动毫米波辐射图像的广泛应用。同时由于人体携带的危险物品会产生不同的姿态,使得被动毫米波辐射图像目标检测的算法仍然面临着挑战。根据以上所存在的问题,本文主要采用了深度学习理论研究了被动毫米波辐射图像的去模糊重建技术和目标检测算法,主要的研究工作涉及如下三个:（1）在理解黑体辐射理论和被动毫米波辐射图像成像机理的基础上,深入研究了被动毫米波辐射图像成像系统的衰落过程以及有关干扰影响,并得出了被动毫米波辐射图像成像系统的估计衰落模式。从深度学习和图像去模糊理论相结合的视角思考,对被动毫米波辐射图像去模糊重建算法的设计搭建基本思路。（2）相较于普通光学图像,被动毫米波辐射图像不仅分辨率和信噪比低,具有的特征信息还少。因此,本文基于从“粗”到“精”的策略,设计了对称的残差尺度循环网络（RSRN）,该方法将编码器-解码器网络与改进的残差块结合,对被动毫米波辐射图像逐级进行去模糊重建,有效捕获了毫米波辐射图像不同尺度下的特征信息,也增强了图像去模糊的性能和鲁棒性。然后,在被动毫米波辐射图像数据集上对所提出的方法进行了评估,实验表明,所提方法与当前最新的方法相比,展现出了良好的去模糊性能。（3）由于最新的目标检测算法Yolox的主干特征提取网络CSPDarknet中包含了多个堆叠的残差结构,导致其在进行有效特征的提取过程中会产生较大的参数量,且计算耗时较长,难以嵌入到移动端设备,限制了其在安防检查设备中的进一步应用。所以本文对其进行了改进,首先使用Mobile Net v1网络取代原有的主干网络,可以在保持网络性能相当的同时简化模型结构,提高模型检测效率。同时使用CBAM注意力机制对特征图进行自适应细化,从而提高被动毫米波辐射图像的目标检测精度。本文在人体安检的毫米波图像上,开展了去模糊重建和目标检测的实验。在去模糊重建方面,多尺度残差的递归网络可以更高效地对毫米波辐射图像进行去模糊重建,可得到较好的重建效果。对于目标检测,基于改进Yolox的目标检测算法在目标定位和目标轮廓上有更丰富的识别方式,不仅可以减少网络模型的参数数量,还提高了目标检测网络的性能,可以更精确地检查并识别个人所携带的隐匿危险物品,让毫米波安检技术变得更加自动化和简便化。