当下,社会经济正处于蓬勃发展的状态,世界各国人头攒动,公共场所的安全检查工作显然变得非常重要。随着毫米波成像技术在安检领域的逐步发展,研究更精准、更快速的毫米波图像目标检测与识别算法具有非常重要的实际应用价值。由于毫米波图像的分辨率较低,手动提取特征会比较困难,而基于深度学习的目标检测与识别方法具有自动提取目标特征的优势。因此,基于深度学习的毫米波图像目标检测与识别算法成为了当前的研究热点。本课题来源于科研项目,以毫米波安检应用为背景,收集并整理了人体携带危险物品的毫米波图像数据集。针对毫米波图像的分辨率较低、尺寸偏小的目标不易被检测、检测速度慢的问题,本文对基于深度学习的毫米波图像目标检测与识别算法展开研究。具体工作如下:1.针对毫米波图像由于获取途径少导致数据集较小的问题,本文引入了迁移学习的方法来实现毫米波图像的检测;同时根据毫米波图像的特性,对基于区域的目标检测与识别算法进行研究,并比较了三种典型的基于区域的目标检测与识别算法的检测性能。实验结果表明:基于区域的更快的卷积神经网络（Faster Region-based Convolutional Neural Network,Faster R-CNN）的性能表现最优,其检测精度为79.15%,速度为3.9 frame?s^-1。2.针对毫米波图像分辨率较低,导致毫米波图像中的目标不易被准确定位识别的问题,本文在Faster R-CNN的基础上研究了一种基于感兴趣区域（Region of Interest,ROI）像素对应的Faster R-CNN算法。具体地,ROI像素对应的方法保留了ROI坐标的浮点型像素值,并利用双线性插值算法获得采样点的浮点型像素值,解决了ROI池化层的取整操作造成的ROI坐标位置有误差的问题。实验结果表明:改进算法的检测精度提升到了87.92%。3.针对毫米波图像中折叠小刀这类小目标的检测精度较低的问题,本文在基于ROI像素对应的Faster R-CNN的基础上研究了一个新的深度卷积神经网络。具体地,采用深度残差网络（Residual Network,Res Net）作为基于ROI像素对应的Faster RCNN的特征提取网络,并构造多层融合特征的改进方法,构建了一个面向毫米波图像的深度卷积神经网络。实验结果表明:改进算法的检测精度提升到了93.91%,检测速度为3.7 frame?s^-1,并且所提算法对折叠小刀这类小目标的检测精度提升了约11%。4.针对毫米波图像的检测速度较慢的问题,本文在上述构建的深度卷积神经网络的基础上设计了一个过滤目标候选区域的优化网络。具体地,通过设计一个二分类网络,解决了目标候选区域的数量冗余问题,提升算法的检测速度。实验结果表明:改进算法的检测精度为93.11%,并且检测速度提升到了约5 frame?s^-1。