在大规模免授权非正交多址接入（Grant-Free　Non-Orthogonal　Multiple　Access,GF-NOMA）中，多用户检测往往依靠先验信号稀疏度进行活跃用户检测，但在实际应用，特别在动态多用户接入中，用户接入过程变得更加复杂，获取这种先验信息变得更为困难.针对该问题，本文提出一种可学习阈值优化的大规模动态多用户接入检测方案，即阈值改进的自适应交替方向乘子（Threshold-Improved　Adaptive　Alternating　Direction　Method　of　Multipliers,TI-AADMM）算法.在该算法中，利用活跃用户连续通信的时间相关性，引入动态相关性度量，对活跃用户检测的噪声阈值进行自适应缩放，提高检测性能.此外，为提升不同信噪比下活跃用户检测的准确度，采用深度学习网络对活跃用户检测初始阈值进行优化，以适应不同的接入环境.仿真结果表明，在未知先验稀疏度信息的动态多用户接入情况下，所提TI-A-ADMM算法相较现有已知稀疏度信息的算法，在误活跃率（Activity　Error　Rate,AER）和误符号率（Symbol　Error　Rate,SER）上能得到2.4　dB的性能增益.所提算法对因多用户接入而引起的干扰具有较低的性能衰减和更高的鲁棒性.