随着图像传感设备的发展以及计算硬件的进步,基于深度学习的图像目标检测算法取得了很大的突破。近期,由于大量视频数据的出现、双目相机的广泛应用,人们对面向视频输入、双目输入的视觉目标检测算法也提出了要求。简单地将单一图像检测算法直接应用到视频输入与双目输入上忽视了这些输入信号内在的联系,带来效率低下、准确度不足等缺点。针对这些形式的输入,本文在基于卷积网络的目标检测器之上,挖掘视频、双目输入的丰富信息,在特征层级上考虑融合时序、双目特征,完成以下研究内容:（1）提出了一种面向在线视频目标检测的特征传播与融合方法。现有的视频目标检测算法中,多数方法重视以单一的方式进行邻近帧与帧之间的建模,却忽视了时序距离对特征传播带来的影响。然而时序距离不同的帧,其中所包含内容对本帧的重要性和可用程度也不同。为此,本文根据时序距离将早前的时序帧分为两类并对这两类帧进行独立的处理。针对时序距离相近的两帧,利用轻量的模块将高质量的关键帧特征融合到分辨率较小的非关键帧;针对时序上稀疏的关键帧,利用非局部操作将缓存队列中的先前关键帧特征聚合到本帧。该方法在计算速度和准确度上都比单帧方法有了提升。此外,该方法提供了两个额外的超参数用于调节运行时的精度与速度,使得检测器能够应用于广泛的场景中。（2）提出一种基于双目输入的特征融合算法。现有的文献中较少关注基于双目的二维目标检测;另一方面,基于传统双目匹配算法实现的特征融合算法,其效果受到检测目标纹理程度的影响较大。针对这些问题,考虑到双目视觉输入中存在的位置关系,本文提出了利用高层语义信息对水平方向特征进行融合的算法。具体地,在进行检测之前,利用两帧信息对参考帧中的采样位置进行预测,然后将重新采样的参考帧特征与当前帧特征计算像素点间相似度并根据相似度进行加权,最后将加权融合后的特征图输入到检测子模块中完成后续操作。这个结合了双目特征的检测模型能够根据双目中的高层目标信息自适应地预测参考帧中的采样位置,并取得检测准确度的提升。