近几年来,由于全球化的趋势越来越明显,全球范围内的国家之间的联系也越来越频繁。各种交通工具作为人员流动频繁以及高价值物品高度集中的载体,因此公共场所的安全受到人们的高度关注。X光检测仪是目前国内公共场所最常见的安检仪,安检工作得到了较大的提高,同时降低了事故的发生率。但是X光检测仪对于液体危险品的安检并不适用,因此如果能够提出一种安全、高效的液体危险品的检测方法,可以更能确保公共场所的安全,人们的出行会更加方便,并且可以进一步维护社会和谐的稳定。在此基础上,本文以低秩稀疏分解算法在液体危险品分类方向的研究为课题,从信号分类的角度出发,为如何准确地进行液体危险品分类提供了新的思路和方法。本文经过阅读大量的文献资料,对液体危险品分类的相关算法进行了调查研究,并且对低秩稀疏分解算法进行了分析。本文从液体信号处理的角度出发,设计了信号采集系统来采集液体危险品样品的超宽带厘米波信号,通过提取出不同类型液体的超宽带厘米波信号建立样本数据库,采用低秩稀疏分解算法对不同种类的液体进行分类,并得到了较高的液体危险品分类准确率。具体研究成果如下:1、该实验采用信号采集系统结合矢量网络分析仪对三种常见的安检液体在8GHz-18GHz频段范围内进行超宽带厘米波信号的采集。为了方便算法评估所以将采集到的厘米波信号建立数据集。由于数据集本身存在频段缺失、样本重复、振幅数据与相位数据混淆等问题,因此采取了清洗操作,同时数据存在同一性差及大量噪声的问题,所以采取了静噪和填充等操作。2、本文提出了基于低秩稀疏分解的背景液体信号提取的方法。通过对大量文献的研究以及对信号采集的实际情况进行分析,得出液体信号由低秩的背景液体信号、稀疏的异常任务信号与噪声信号的叠加而成。首先将数据集构造成数据矩阵的形式,采用Go Dec算法将液体检测信号数据分解为低秩部分、稀疏部分和噪声部分。由于稀疏矩阵大部分为异常数据及填充数据,无法作为稳定的信号特征表示,因此将采用低秩的背景液体信号部分进行后续算法处理。3、背景液体信号的特征提取。信号的特征提取就是从信号中获取信息特征的过程,本文采用了基于经验小波变换的信号时频分析方法。该算法将背景液体信号进行自适应划分,提取出分量信号,然后对各分量信号作Hilbert变换从而获取到信号的时频图。经过对信号的时频分析,提取出经验小波边际谱区域变化特征参数,并以此作为分类的依据。4、样本信号的训练与识别。由于BP神经网络对于液体危险品检测信号的适用性,因此采用BP神经网络对液体危险品检测信号进行分类识别。最后将低秩稀疏分解算法与深度学习算法进行对比分析,本文从运行速率、准确率等方面进行对比,发现低秩稀疏分解算法分类效果更好。低秩稀疏分解算法对液体危险品的三分类的精度可达92.6%,分类准确率提高较多,为以后在液体危险品分类方向提供了新的思路。