对主动毫米波人体图像进行隐匿物自动检测具有重要意义,它不仅可以避免人工判读图像而侵犯被检人员隐私,也能较好地预防人为因素所造成的误检与漏检。目前基于多视角主动毫米波图像的隐匿物检测算法利用了主动毫米波图像的时序性,所以取得了较好的结果,但是对如何利用时序性的研究不够充分。由于主动毫米波人体安检数据集难以获取,所以数据集一般较小,如何充分利用较小的数据集与样本的时序性成为多视角主动毫米波图像隐匿物检测的重点。本文结合主动毫米波图像特点与深度学习理论的应用场景,提出了一种性能较好的多视角主动毫米波图像隐匿物检测算法,主要工作包括:(1)实现了基于RetinaNet的主动毫米波图像隐匿物检测算法与基于LSTM的主动毫米波图像隐匿物检测算法,通过实验对比了它们的性能,验证了时序特征的重要性。(2)使用GRU替代LSTM从而对模型的网络结构做出了优化,加强了模型特征提取能力,随后通过实验验证了改进的有效性。(3)使用集成学习的方法使得本文所提出的算法在小样本数据集上具备更好的泛化性能。进行上述改进后,本文提出的基于GRU的多视角主动毫米波图像隐匿物检测算法取得了较好的检测结果。