目标检测是计算机视觉中一项基础关键的任务,在各种商业和军事领域都有着广泛的应用,具有重要的意义。一些应用场景,例如自动驾驶,不仅需要检测出目标在图像中的位置,还需要估计出目标的距离,因此如何高效地检测出目标的位置并且估计出目标的距离成为了一个极具挑战性的问题。多路复用成像设备使用一个感光元件接收并编码多个镜头视角下的画面信息,减少了数据通信和存储的开销。多路复用成像设备往往配有图像重建算法,用来恢复多个视角下的图像,从而生成宽视角图像或者立体图像。本文发现多路复用图像不仅含有物体在各视角下的视觉特征,可以进行目标检测,而且各物体在多个视角下的视差也被隐式地编码在图像中,为目标的深度/距离估计提供了可能。在此发现上,本文深入研究了基于锚框的深度卷积网络目标检测器,提出了基于多路复用图像的目标检测算法。本文提出的目标检测算法不仅可以在多路复用图像上检测出目标,而且能同时估计出目标的深度/距离。本文的主要贡献包括以下三点:（1）提出了基于多路复用图像的“anchor pair”策略。多路复用图像上的每个目标拥有来自于不同视角的两个边界框,而现有的锚框策略对于每个目标只能预测出一个边界框,为了解决这个问题,本文提出了基于多路复用图像的“anchor pair”策略,能够预测出目标的两个边界框。（2）提出了一种基于多路复用图像的一阶段目标检测算法Disparity SSD。本文将提出的“anchor pair”策略与现有的一阶段目标检测器结合,使其能够预测出多路复用图像上目标的两个边界框,从而推断出目标的深度距离。实验结果表明,和基于普通图像的目标检测器相比,本文提出的基于多路复用图像的目标检测算法Disparity SSD拥有相似的检测精度和检测速度,并且还能估计出目标的深度/距离。（3）提出了一种基于多路复用图像的两阶段目标检测算法Disparity RCNN。本文将提出的“anchor pair”策略与现有的两阶段检测器结合,验证了本文提出的策略适用于两阶段检测器。实验结果表明,本文提出的Disparity RCNN检测器能够很好的预测出多路复用图像上的目标,并且其对目标的深度估计性能优于现有深度估计算法与目标检测算法融合的方案。