作为行人保护系统和更高级别自动驾驶系统的核心技术，行人检测及其距离估计一直是计算机视觉领域中最活跃且最具挑战性的研究课题之一。随着深度卷积神经网络(DCNN)在目标检测方向主导地位的确立，白天行人漏检率已接近人类的视觉水平，并在结构化场景中有一些应用实例。但在夜间驾驶场景中，由于可见光照明不足且不均、成像动态变化、数据集稀缺，行人检测研究进展缓慢，漏检率远高于白天。激光雷达通过扫描目标的三维稀疏点云，可直接获取目标的距离信息，且具有较高的精度，但其成本高、分辨率低，容易造成漏检，严重威胁交通安全。相机成本低、分辨率高，但现有基于视觉的测距方法精度低、鲁棒性差，且独立于行人目标检测模块之外。针对这些问题，基于多任务深度学习和单目窄带近红外成像，本文围绕夜间驾驶场景行人检测及其距离估计方法展开研究。