当今世界,虽然大多数国家和地区都远离战争,但是恐怖袭击却离大家并不遥远。在人员密集场所进行人体安检成为遏制恐怖主义事件发生的重要方法。毫米波成像技术由于具有许多优点,逐渐成为安检领域重要发展和研究的技术。但是传统的主动毫米波成像系统阵列非常密集,数据采集量很大,系统复杂度和成本高,因此降低阵元数量和数据采集量具有重要意义。本文对基于压缩感知(Compressive Sensing,CS)的毫米波成像技术进行了研究,并将其与稀疏阵列设计相结合。本文的主要研究内容包括:介绍了单频毫米波全息成像技术,推导了二维毫米波精确全息重建公式,给出了图像评价指标,探讨了成像系统的采样间隔、采样范围和分辨率,并进行了仿真验证。推导了2种基于CS的毫米波成像模型,即基于反向传播(Back Propagation,BP)算法的CS模型和基于傅里叶变换的CS模型,并采用基于全变分正则化的毫米波图像重建算法进行仿真,分析了不同模型的成像差异以及网格划分大小对基于BP算法的CS模型成像性能的影响。本文针对二维毫米波成像提出了4种不同的稀疏采样矩阵并对其成像性能进行了仿真分析。本文给出了宽带毫米波全息成像的系统模型,推导了宽带毫米波的全息成像算法,并在此基础上将基于傅里叶变换的CS模型扩展到三维,推导了毫米波三维成像的CS模型。针对三维毫米波成像本文提出了3种不同的稀疏采样方式,建立了三维模型并进行了一系列仿真,分析了不同采样方式成像性能的差异。本文对3种不同的稀疏阵列进行了研究,即十字收发阵列、线性稀疏阵列和互质阵列。对于3种稀疏阵列,本文分别采用传统的BP算法和压缩感知算法对图像进行重建。对于互质阵列,借助于压缩感知算法本文尝试进一步降低阵列中的天线数量,与此同时重建图像的质量仍然优于单发单收采样模式中BP算法重建图像的质量。综上,本文将压缩感知算法应用于二维及三维的主动毫米波成像中,大大降低了数据采集量。本文将压缩感知算法与稀疏阵列相结合,提高成像质量的同时大大降低了成像系统中天线单元的数量。