物体检测与分割是计算机视觉的基础研究任务，也是很多重要应用的基础，例如：自动驾驶，人脸识别，安防监控。在物体检测与分割中，训练好的模型输出的每一个结果包括物体的类别、定位、以及一个置信度(概率)。该置信度在实际应用是判断物体检测分割结果可靠程度的一个重要依据，准确估计物体检测分割结果的置信度有助于提升相关应用系统的稳健性。然而，目前置信度的估计在物体检测和分割中还存在很多问题，例如，置信度和物体定位准确性不匹配、高度重叠的物体在非最大抑制过程中被部分高置信度的物体抑制，本文则针对这些问题提出相应的解决方法。
　　1.针对置信度和物体定位准确性不匹配的问题，本文提出一种基于候选定位评分的置信度学习方法，其中候选即为模型输出结果。目前的置信度学习方法大多只考虑物体的类别信息而没有考虑物体的定位准确性(即物体的位置是否准确)，导致置信度和物体定位准确性存在不匹配的问题。本文则将两者同时考虑，提出一个定位准确性评估模型，将物体的分类信息和定位准确性进行融合，矫正原有置信度，我们的方法可以很简单地加到现有算法框架中并且可以带来明显的精度提升。
　　2.针对重叠很高的物体在非极大抑制(NMS)过程中被抑制的问题，本文提出了一种基于候选间定位相似性的置信度学习方法。现有方法在NMS过程中使用交并比(IoU)作为候选之间的相似度，这在物体重叠很高的情况下是不合理的。本文提出一种新的相似度度量方法，给每个候选一个表征特征，充分考虑物体间的位置关系，通过表征特征来学习候选间的相似性，来决定是否抑制候选的置信度。实验表明我们的方法可以在物体重叠很高的情况下，保留更多准确物体候选，提升物体检测的精度。
　　本文以定位置信度学习为主线，主要解决定位置信度学习存在的两个问题，实验证明我们的提出的方法可以很好解决以上问题并且精度有了明显的提升。