恐怖袭击事件的频繁发生及各类新型危险品的出现,使得人们对于火车站、机场等人流密集场所的安全检查越发重视。被动毫米波辐射成像由于具有良好的衣物穿透性,在人体安检的违禁隐匿物品的检测中具有巨大的发展前景。近年来,在自然图像领域基于深度学习的目标检测方法发展迅速,利用深度学习来实现被动毫米波辐射图像中的隐匿物检测是当前的发展趋势。深度学习的网络训练需要大量的样本数据,由于被动毫米波成像系统研发的技术难度大和器件成本昂贵,成像需要耗费一定人力和时间,目前缺乏大规模的被动毫米波图像数据集,从而容易导致网络训练不够充分,特征表达能力较差。为了解决基于深度学习的被动毫米波图像隐匿物检测所需训练集不足这一关键问题,本文从被动毫米波辐射机理出发,建立目标场景的亮温计算模型,仿真生成被动毫米波辐射图像,以构建深度学习的网络模型所需的训练集,主要内容如下:首先,在现有的被动毫米波图像仿真的研究基础上,聚焦于提高面向人体安检的被动毫米波图像仿真的精度以及多样性,分析了场景中典型目标如人体皮肤的介电特性、表面汗液的影响、不同种类隐匿违禁物的辐射特性差异,运用电压法测量了不同材质衣物的透射率,为后文构建仿真图像训练集奠定模型和数据基础。该部分得到的模型和数据也对人体安检中的隐匿物判别具有积极意义。其次,根据本文的辐射建模与仿真方法,模拟真实的人体安检场景,仿真生成大规模的被动毫米波图像,实验验证了该仿真图像具有较高的真实度,再通过手动标注和数据增强构建训练集。最后,运用被动毫米波多极化成像系统MPSIR（Multi-Polarization Scanning Imaging Radiometer）对携带金属刀具、手枪、扳手及易燃液体等违禁物的人员实测成像,通过大量仿真图像训练后的SSD网络进行隐匿物检测实验,同时与少量实测图像或少量仿真图像构成的训练集进行对比。实验结果表明,使用大量仿真图像训练的网络可获得比少量图像更佳的检测性能,既说明了大规模数据集是训练出性能良好的目标检测网络的基础,也验证了本文方法构建的仿真图像训练集的可行性与有效性,可一定程度上解决被动毫米波图像数据集不足的问题,成本低且效率高,具备良好的研究前景。