基于毫米波图像的隐匿物检测技术在无接触式人体安检中具有重要意义。目前，毫米波设备已实现三维成像，但隐匿物检测算法通常将其简单压缩为二维图像进行目标检测，未能充分利用图像深度方向的信息。针对这一问题，提出一种毫米波图像隐匿物检测框架，将三维图像视为截面序列并充分利用其截面内特征沿序列（即深度方向）的内在逻辑关系。该框架由卷积神经网络与长短时记忆网络构成，前者用于提取截面的粗细粒度特征，后者用于提取上述特征沿深度方向的全局关联性，实现特征级信息融合，从而提高隐匿物二维定位准确率。实验结果表明，与现有主流毫米波图像隐匿物检测方法相比，所提模型能大幅提高检测精度。

提出一种包含去模糊的空间变换区域卷积神经网络的目标检测算法.首先，基于主动毫米波圆柱扫描成像原理对人体进行三维成像（频率24~30 GHz），建立毫米波图像数据集.然后，估计毫米波图像的模糊核，通过卷积去噪网络获得图像先验知识，将其集成到半二次分裂的优化方法中，以实现非盲目去模糊.最后，由定位网络、网格生成器和采样网络三部分组成空间变换网络，将它融入到特征提取网络中，在去模糊后实现目标检测.通过该非盲目去模糊算法得到的图像的峰值信噪比可达27.49 dB，目标检测算法的平均精度可达80.9%.实验结果表明，与现有的先进方法相比，该方法可以有效地提高图像质量和检测精度，为毫米波图像中隐藏危险品的目标检测提供了新的技术支持.