目标检测是计算机视觉领域中的基础任务,旨在对图像或视频中的物体的进行分类与定位,在人脸识别、行人追踪、光学字符识别、对地目标追踪等领域具有重要价值。在基于深度学习的目标检测算法中,往往会先生成大量的包围盒,然后对这些包围盒进行排序和筛选。先前的算法默认采用分类分数作为排序和筛选的依据,但分类分数与包围盒质量相关性较低,无法代表包围盒定位质量。在目标检测算法中广泛采用交并比来衡量矩形之间的相似程度,因此研究者们提出预测包围盒和标签的交并比来代表包围盒质量。然而不合理的网络结构设计、特征与预测目标的不匹配限制了预测结果的准确性。本文针对这些问题开展了以下研究:（1）提出了串行结构的交并比预测网络。现有交并比预测方法都采用了并行的网络结构,同时进行交并比预测和包围盒定位修正。因而在预测交并比时无法获得准确的包围盒区域特征,引入了训练目标和推理目标不一致、特征来源和预测目标不一致、特征映射不稳定的问题。针对这些问题本文提出了一种先对包围盒进行回归修正,再预测包围盒交并比的串行网络结构。相比于并行网络结构,该方法能够在准确的包围盒特征基础上预测交并比,从而避免上述问题,提升预测结果的准确性。（2）提出了一种解耦交并比预测方法。该方法将直接预测包围盒的交并比拆解为预测包围盒的准确性和完整性两个指标,促使网络精细感知包围盒中物体已召回部分和未召回部分,从而提升预测交并比的准确性。该方法能够与任意结构的交并比预测方法结合提升其性能,并且不带来额外的计算量。基于这两种互补的改进措施,本文提出了结合串行和解耦思想的交并比预测方法。同时本文在一般目标检测、实例分割、旋转目标检测三个任务共八个基线算法上进行了实验,实验表明本文方法能够有效提升交并比预测的准确性,最终提升目标检测算法性能,并且能够适应不同的检测任务和网络结构,具有广泛的应用价值。