由于毫米波无源探测安检技术具有非接触、无辐射、透视成像等优点,能方便有效的探检隐藏于衣物内的隐匿危险物品,所以在机场、车站、场馆、军营、机关等重要场所的应用受到高度重视。目标检测与识别是该技术的核心,其算法性能的优劣直接决定相关系统最终的功能效果。近年来,基于深度学习的目标检测与识别算法在多方面性能上已经明显超过了基于机器学习的传统算法,因此利用深度学习方法来解决毫米波成像系统的目标检测与识别问题是当前的发展趋势和研究热点。本论文依托实际科研项目,围绕毫米波成像中目标检测与识别算法存在的检测与识别准确度较低、对小目标漏检,以及基于深度学习的方法实时性较差等问题,研究并提出了相应的解决方法,主要内容如下:(1)分析讨论了物体在毫米波频段的基本辐射特性;并根据其辐射特性,分析讨论了毫米波频段无源探测成像系统的成像基本原理,总结介绍了无源成像系统的一般功能单元组成结构;(2)对近年来实用的典型毫米波成像目标检测算法的性能进行了分析和评估,针对其所存在的检测准确率不高的问题,研究了基于深度卷积神经网络的检测算法。针对深度神经网络需要海量训练样本集,而毫米波图片由于获取途径少导致样本不足的问题,改变思路,提出了基于迁移学习的目标检测算法(Target Detection Algorithms Based on Transfer Learning,TDA-TL),有效提升了毫米波成像目标检测准确率;(3)针对毫米波成像中目标检测存在的小目标漏检问题,研究了利用多尺度的特征来对目标进行检测的方法。根据毫米波图像中小目标的特点,有针对性地分别使用四个不同尺度的特征,独立地对目标进行检测,最后综合检测结果,有效解决了小目标漏检的问题;(4)针对实际应用中的实时性要求,提出了一种先分割目标-后分类目标(Classifying Target After Segmenting,CTAS)的方法,分割阶段通过改进最大熵分割算法,准确地分割出了目标;分类阶段通过设计一个结构简单、能充分提取特征并且优化了卷积计算方式的分类网络;算法整体实现了实时性要求。项目研究的仿真实验结果与数据表明了上述方法的正确性和算法的有效性。