随着人工智能的飞速发展,基于图像的物体检测技术在无人驾驶、无人商店、智能交通等领域得到广泛应用。但基于传统图像的物体检测方法准确率严重受限于图像的成像质量,只要二维图像出现失焦、模糊和遮挡等问题将会直接影响到物体检测的正确性,而且传统的二维图像无法提供目标物体的深度信息。光场成像作为计算成像的重要分支,近年来引起了计算摄影学的研究浪潮。不同于传统的成像模式,光场成像能同时记录下光线的位置和角度信息,再经过光场计算成像算法对光线进行重构便能实现数字重聚焦、数字变景深、视点变换和深度估计等功能。基于光场成像的物体检测,能够提高物体检测率的同时输出物体深度信息。然而,现在光场成像依然存在分辨率不高、混叠、计算速度慢等缺点,这严重阻碍了光场的快速推广与应用。因此,本文以提高光场成像的精度和速度为目标,分别对聚焦式光场成像与合成孔径成像进行研究。首先,本文针对聚焦式光场成像中由于角度信息不足而出现的混叠现象,提出了基于滑动窗口与自适应滤波的抗混叠算法,提高了聚焦式光场成像的成像质量。其次,对于合成孔径光场成像,为改进了传统视差标定法中仿射重投影的不足,提出了基于透视重投影的分层标定法,提高了标定精度。另外,提出基于分层标定法的合成孔径算法,并进行了GPU加速。在光场深度估计方面,本文改进了传统离焦响应深度估计速度慢、高噪声的缺点,提出了基于离焦响应的快速局部深度估计方案。实验方面,本文设计并搭建了相机阵列系统来用于采集真实四维光场数据,并利用改进的合成孔径算法得到聚焦堆栈。再此基础上,利用YOLO和人脸识别引擎对聚焦堆栈进行检测,并分别针对合成孔径光场成像进行了无遮挡和有遮挡物体检测实验,实验结果证明利用光场成像进行物体检测不仅能得到目标物体深度信息,甚至能实现“穿透”稀疏遮挡物并检测到遮挡物后的物体。