YOLOv3作为目前最先进的目标检测算法,能够在目前最先进的显卡上实时处理视频数据,并从中检出目标,因此选择在此算法上进行研究和改进。本文研究包含两部分,一部分是在详细了解YOLOv3运行方式的前提下,通过更先进的聚类算法获得新的anchor boxes。另一部分是在原基础网络上进行更新改进,并通过重训练尝试获得更高的精确率,以证明对anchor boxes的改进是有效的。在研究改进算法部分中,YOLOv3借鉴了PRN网络和BBox回归所使用的anchor boxes机制进行改进,其作用是在网络中生成object proposals,通过筛选生成Bounding Boxes,这一部分直接影响到Bounding Boxes的准确与否,影响到mAP-50的水平高低,从而影响到整个算法的性能水平,但是基于传统聚类算法统计出来的结果,往往很难得到一个稳定的最优解,所以,使用改进的聚类算法再次进行统计聚类是值得进行研究的一个方向。本论文的第三章节中就详细介绍了改进的思想和改进统计后的结果。在检验测试部分中,同样分为两部分进行测试和检验,一部分是在尽可能模拟作者训练环境的情况下,更新anchor boxes并进行网络的微调,对比更新版和原版的测试结果。第二部分是先制作带标注的私有数据集,并修改YOLOv3配置文件,再使用私有数据集重训练网络,经过反复调整参数训练得到一个稳定最小loss的权重结果,最后使用训练后的权重文件匹配网络,检验其预测能力,并与原始权重匹配的网络对比预测效果,由此来检验anchor boxes的更新是否在其他数据集上有效,对实际情况下的泛化能力、代表能力等等,本实验能直接反映anchor boxes对YOLOv3目标检测算法的影响大小,对改进YOLOv3有着重要的意义。