目标检测的任务是在图像数据中对可变数量的目标进行分类和定位。随着技术的不断进步以及智能化的发展,目标检测成为了计算机视觉领域的难点和热点问题,并在智慧课堂、自动驾驶、无人超市、快递的智能分拣、智能医疗以及智能服务机器人等领域得到了广泛的应用。目标检测根据所使用的方法类型,可以分为传统的目标检测方法和基于卷积神经网络的目标检测方法。虽然基于卷积神经网络的目标检测方法相对传统的目标检测方法对于目标的检测取得了更好的成果,但是仍存在定位偏差以及漏检和误检问题。本文在基于卷积神经网络的目标检测方法研究的基础上,通过对聚类方法以及非极大值抑制算法进行改进,从而提高目标检测模型的定位精度与检测准确度。本文的主要工作有:首先,针对目标的定位偏差问题,提出了新的anchor聚类方法,IOU-K-means++。通过对基于卷积神经网络的Yolov3目标检测模型的研究与分析,了解到在目标定位中,使用anchor对目标检测模型的定位提供先验知识,发现由于原模型中K-means聚类方法得到的anchor对于标注数据的拟合性能较差,使得目标检测模型定位精度较差。算法选用聚类更加准确稳定的K-means++,并结合目标检测anchor计算的实际情况和聚类数据类型,采用IOU距离替换欧氏距离作为聚类性能的度量标准实现。实验结果表明,通过IOU-K-means++计算得到的anchor对于标注数据有更高的拟合性,并且对于目标的定位相对更加精确。其次,针对目标的漏检和误检问题,提出SF-NMS算法。通过对目标检测后处理阶段中的非极大值抑制算法的研究,发现所使用的贪心非极大值抑制算法,在对重复的目标框进行处理时,只是通过单一的阈值直接将目标框进行删除,存在漏检的问题。考虑到IOU大于阈值时,也存在属于真实目标框的可能性。算法结合Greedy NMS和soft NMS算法,通过增加双阈值进行分段惩罚的方法,较好的平衡了NMS和soft NMS的漏检和复检问题。最后,本文采用PASCAL VOC2012数据集对本文所提出的算法在YOLOv3目标检测模型上进行实验验证,并将实验的结果与原模型进行了定性和定量的分析。