目标检测是计算机视觉中最基本和最具挑战性的任务,对图片或者视频中的多个目标进行识别和定位。目标检测在安检、医疗、无人驾驶、行人重识别、机器人视觉等领域得到了广泛的应用。另外在目标检测中边界框回归是决定目标定位性能的一个关键步骤,但是发现大多数之前的边界框回归损失函数,不能有效的描述边界框的目标从而导致了收敛速度慢和回归不准确。为了缓解传统的边界框回归损失收敛速度慢、回归结果不准确的问题。本文在CIoU损失的基础上对其进行改进,并同时考虑了真实边界框的模糊性、遮挡等情况对目标检测任务带来不同程度的影响,模糊性不仅使得难以标记真实边界框,而且严重影响边界框回归损失的性能。提出了一种新的边界框回归损失OIoU,进一步提升了目标检测框架的测试平均精确度。本文的主要研究内容以及工作如下:（1）基于CIoU损失并借鉴KL损失的特点提出了性能更好的边界框回归框架OIoU,OIoU损失综合考虑传统的Io U损失存在收敛速度缓慢、回归不准确和真实的边界框模糊性问题,进一步提高了模型的检测速度和精确度。（2）利用OIoU损失替代原来使用的CIoU损失来应对数据增强的过程中会加剧遮挡、模糊性等情况的发生,从而提升了YOLOv4的检测性能。在MS-COCO数据集上其目标检测平均精度达到了43.8%,比同等条件下的YOLOv4目标测试平均精度提升了0.7%,目标检测精度在小目标上提升了1.5%,在中等目标上提升了0.6%。（3）将优化边界框回归损失引入Faster RCNN模型中,同时用ROI Align代替原有的ROI pooling,解决传统边界框回归存在收敛速度慢、回归不准确和真实的边界框模糊性问题。在PASCAL VOC数据集上与CIoU损失相比测试精度提升了1.3%。在MS-COCO数据集与CIoU相比提升了0.15%。（4）借助无监督领域自适应的方法,将图像级类别正则化、类别一致正则化和优化边界框回归损失引入到无监督领域自适应的Faster RCNN的模型,进一步约束了源域和目标域之间的特征统计分布缩小了源域和目标域之间的差异,提升了跨领域目标检测的精确度。在对天气的适应性实验中引入OIoU损失比仅引入图像级类别正则化和类别一致正则化的领域自适应的Faster RCNN模型的检测平均精度提升了0.9%。对不同场景的适应性实验中引入OIoU损失比仅引入图像级类别正则化和类别一致正则化的领域自适应的Faster RCNN模型的检测平均精度提升了1.1%。综上,本文所提出的优化边界框回归损失OIoU,能够提升单阶段和双阶段目标检测模型的测试平均精度,也能对跨领域目标检测在风格差异较大的数据集上进一步提升检测的平均精度。同时也证明OIoU损失具有很好的泛化能力。