随着安全局势变得复杂,以及公民对自身生命财产的高度重视,在重要场所进行安全检查成为了必要的措施。目前广泛使用的X射线由于对人体有辐射危害,只能对随身行李进行检查,而通常对人体的检查要借助金属探测仪等设备。然而金属探测仪的检测范围有限,往往还需要工作人员的接触式搜查,存在容易漏检,效率不高,且让人反感等问题。近年来,毫米波成像技术的快速进步,能够对人体成像来检测随身携带的危险物品。并且毫米波对人体没有辐射,在安检中已经显示出了光明的应用前景。但同时,由于技术的限制,目前毫米波图像质量不高,图像中物体纹理不清晰,给危险物品的检测带来了很大的挑战。在这种情况下,非常需要一种高效且快速的自动化检测方法。随着卷积神经网络的迅猛发展,并在图像分类与目标检测中取得了很大的进步,本文基于卷积神经网络对毫米波图像中危险物品分类与检测进行了探索。本文首先通过对毫米波图像进行分析,为了缓解毫米波图像训练数据不足的问题,提出图像融合算法来产生新的图像,简单方便,并在毫米波图像识别方法中验证了算法的有效性。接着,使用卷积神经网络对毫米波图像中的危险物品进行分类,并与传统的特征提取方法进行比较,显示了卷积神经网络在毫米波图像识别上出色的表现。然后,针对毫米波图像中常见的刀和枪的检测,本文提出了把分类与定位统一起来的快速检测模型,实验表明在速度和精度都有了很大的提升。最后,为了识别更多种类的危险物品,本文提出了GLNet模型,使用两个不同的网络分别对毫米波图像中的全局和局部信息进行识别分析,最后通过结合两个网络的输出。与其他物体检测方法相比,模型的精度有了很大的提升,并能保持实时检测的性能。