随着被动式太赫兹成像技术不断发展,被动式太赫兹成像设备开始广泛应用于公共交通的人体安检。但被动式太赫兹设备在成像过程中容易产生随机噪声,并且在成像过程中物体的特征可能会丢失,而且被动式太赫兹图像具有对比度低、边缘模糊等特点。这些都为被动式人体安检图像中的目标检测带来了极大的困难,并且在一些特定安检场合(例如机场)还需要快速准确检测出人体安检图像中的小目标违禁品,而小目标检测也一直是检测领域的难点问题。针对被动式太赫兹图像中存在的随机噪声和对比度低等问题,现阶段研究的各种预处理算法仅仅是为了提高被动式太赫兹图像的质量;同时,针对动式太赫兹设备在成像过程中特征丢失的研究较少;而在小目标检测方面,传统的检测方法和单纯的深度学习检测方法在准确率和速度上都难以满足人体安检的需求。针对被动式太赫兹人体安检图像的特点和小目标检测准确率低等问题,本文通过结合预处理和图像融合技术的深度学习检测方法解决了上述问题,主要成果如下:(1)针对被动式太赫兹图像中存在的随机噪声、对比度低以及边缘模糊的特点,分析和对比了各种去噪算法和增强算法的处理效果。实验结果表明中值滤波结合对数非线性变换能够有效抑制随机噪声、增强图对比度,为后面小目标检测提供了有利条件。(2)针对被动太赫兹传感器硬件原因导致特征缺失的问题,分析和对比了各种图像配准和融合算法,并通过实验得出基于特征的图像配准算法结合像素级别的图像融合方法可以在一定程度上改良图像质量,解决特征缺失的问题。(3)针对小目标物体检测的准确率问题,本文提出对SSD模型进行优化(以下简称:OSSD模型),通过对特征提取层的调整、对预选框大小和长宽比的聚类分析以及数据增强上的补充,提高了模型小目标检测的准确率。(4)提出结合预处理和图像融合技术的OSSD检测模型。进一步提高了检测小目标物体的准确率。同时,也提高了一般目标物体检测的准确率。上述算法的实验结果表明,结合预处理和图像融合的OSSD模型,在满足安检场景需求的同时,提高了小目标物体检测的准确率,准确率达到了75.1%,还提高了一般目标检测的准确率,检测的准确率达到77.5%。