Para resolver los problemas de alta complejidad computacional y calidad de imagen inestable inherentes al método de compresión sensorial (CS), proponemos un método basado en una red neuronal convolucional completamente compleja (CVFCNN) para la mejora de la imagen tridimensional (3-D) de ondas milimétricas (MMW) en campo cercano. Se presenta una forma generalizada de la función de activación de la unidad lineal rectificada paramétrica compleja (CPReLU) con parámetros independientes y aprendibles para mejorar el rendimiento de CVFCNN. La estructura de CVFCNN está diseñada, y las fórmulas del algoritmo de retropropagación complejo se derivan en detalle, en respuesta a la falta de una biblioteca de aprendizaje automático para una red neuronal compleja (CVNN). En comparación con una red neuronal convolucional completamente real (RVFCNN), la CVFCNN propuesta ofrece un mejor rendimiento mientras necesita menos parámetros. Además, supera a la CVFCNN que se utilizó en la imagen de radar con diferentes funciones de activación. Se proporcionan simulaciones numéricas y experimentos para verificar la eficacia de la red propuesta, en comparación con las redes de última generación y el método CS para la mejora de la imagen MMW.