我国的物流技术水平和行业规模近几年快速发展,但低效率和高成本仍然是其突出问题。采用智能物流技术是解决该问题的重要方法。箱型货物检测算法是一项重要的、基础的智能物流技术,可广泛应用于卸货、拆垛、货物存取等物流任务。但是箱型货物检测算法的研究面临着货物数据集缺乏、物流任务对定位精度要求高的挑战。因此,本文针对货物数据集构建、目标检测算法的损失函数、模型结构和学习策略展开研究。主要研究内容及结论如下:（1）针对业内缺乏箱型货物数据集的问题,设计了数据搜集、数据清洗、数据标注规则,构建了业内第一个物流场景下的大规模密集箱型货物数据集SCD。该数据集具有规模大、多样性丰富、标注信息质量高、货物密集堆叠摆放等特点,为箱型货物检测算法的研究提供了重要的评估基准,可极大地促进箱型货物检测算法的研究和应用。（2）针对相互独立的损失函数导致分类得分和定位精度相关性较差、定位损失梯度被异常样本主导的问题,提出了基于定位精度加权的分类损失函数和定位损失函数。前者采用检测框Io U为正样本的分类损失分配权重,引导模型为Io U较大的样本预测较高的分类得分,为Io U较小的样本预测较低的分类得分,加强分类得分和定位精度的相关性。后者采用检测框Io U为正样本的定位损失分配权重,缓解定位损失梯度被异常样本主导的问题。在箱型货物数据集SCD和通用物体检测数据集上的实验表明,该方法可在不损害推理速度的条件下,大幅提高箱型货物检测算法的定位精度,且在通用物体检测任务上具有良好的泛化能力。（3）针对分类和定位分支结构上相互独立导致的分类得分和定位精度相关性较差的问题,进一步提出基于定位精度预测的目标检测模型。该方法在检测模型的定位分支增加一层卷积层作为定位精度预测层,为每个检测框预测定位精度。使用预测的Io U和分类得分相乘作为推理阶段检测框的检测置信度,用于后续的NMS和AP计算。相比分类得分,该检测置信度与定位精度之间有更好的相关性。在箱型货物数据集SCD和通用物体检测数据集上的实验表明,该方法可在基于定位精度加权的分类损失的基础上,进一步大幅度提高箱型货物检测算法的定位精度,且在通用物体检测任务上具有良好的泛化能力。（4）针对检测模型中标准Io U划分正负样本时对锚框中心点到物体外包框中心点的邻近度“关注程度”不足的问题,设计了高斯Io U（GGIo U）,并提出了基于GGIo U的均衡化学习策略。GGIo U对锚框中心点和物体外包框中心点临近度的“关注程度”更高,基于GGIo U的均衡化学习策略可为细长物体分配更多的正样本,同时使训练过程更偏向感受野与物体对齐程度更高的特征,提高模型的性能。在箱型货物数据集SCD和通用物体检测数据集上的实验表明,该方法可在不损害推理速度的条件下大幅提高箱型货物检测算法的定位精度,且在通用物体检测任务上具有良好的泛化能力。（5）基于箱型货物数据集SCD和目标检测模型改进算法,提出了具有高定位精度的箱型货物检测模型,构建了通用的物流场景下的箱型货物视觉检测系统,并将其应用于智能装车卸车移动机器人,验证了本文算法的有效性。