针对当前用于人体违禁物品探测的被动毫米波成像的图像质量差、目标检测仍基于人的主观判断的现状,本文对自动检测并识别毫米波图像中违禁物品的方法进行了研究,提出采用Haar-like特征结合AdaBoost算法形成级联分类器的方法实现目标的自动检测,通过建立违禁物品的隐马尔可夫模型数据库的方法实现识别。原始毫米波图像分辨率低且存在噪声,本文采用基于小波域的方法估计图像中主要的噪声类型,对图像中主要的高斯噪声用维纳滤波去除。本文采用基于EM算法的图像分割,将灰度值接近于目标的区域都分割出来,为分类器设计和训练隐马尔可夫模型提供样本。枪支分类器的设计是采用基于AdaBoost算法训练Haar特征分类器的方法,通过使用多样化的样本、设置较低的级联分类器级数、降低对误识率的要求,训练得到检测效果符合系统要求的分类器。本文分别以二维离散余弦系数、奇异值分解、不变矩特征以及形状描述子作为特征提取方法建立枪支的隐马尔可夫模型数据库,通过分析比较,得出以傅立叶描述子和离散余弦描述子相结合的方法训练的枪支隐马尔可夫模型能识别不同比例和角度的枪支,实验结果表明,该手枪模型对旋转、平移、尺度变化具有不变性。本文完成了一种基于Haar-like特征、AdaBoost算法以及HMM的人体隐匿违禁物品自动检测和识别算法。实验结果验证了该算法能较好地对毫米波图像中隐藏在衣物下的手枪进行自动检测和识别。