以YOLOv3为代表的单阶段目标检测算法因具有较快的检测速度和较为均衡的检测精度深受研究者的喜爱。YOLOv3算法使用深度卷积神经网络提取和识别被检测图像中的特征数据,算法中的损失函数依据提取到的特征数据不断的对模型进行训练和优化,以便找到一组可拟合图像部分特征规律的网络参数,使模型在检测过程中可以通过对网络参数的推导得到和图像中目标真实标签相接近的网络输出。由于损失函数可以提升网络输出的预测值与图像中目标真实值之间的拟合效果,使YOLOv3模型能够以最佳的优化方式进行训练,因此是YOLOv3算法中最重要的组成部分。鉴于此,为了提高YOLOv3算法的检测精度,本文针对算法中损失函数存在的:1)与预测框定位精度的评价指标IOU（Intersection over Union）之间不具有强相关性,导致模型在训练中无法有效的对预测框的定位精度进行优化。2)对被测物体的尺寸敏感,大尺寸物体在训练过程中获得更多的优化权重导致模型对小尺寸物体的训练不够充分,算法对图像中小物体的检测能力欠佳。3)将预测框的四个坐标作为四个独立的变量进行训练,忽略了坐标之间的相关性。4)对预测框中类别置信度与位置坐标的训练优化是独立进行的,导致预测框的类别置信度与定位精度之间的相关性较低,被测图像中容易出现高类别置信度低定位精度的预测框。5)无法有效平衡由易分辨负样本产生的大量对模型作用较小的梯度值在训练中对模型优化造成的影响,导致模型不能有效收敛等问题。针对上述问题,开展如下研究:（1）提出BR-IOU（Bounding Box Regression IOU）损失作为YOLOv3算法新的边界框回归损失函数。BR-IOU损失通过将IOU作为损失项不仅加强了损失函数与IOU之间的相关性,继承了IOU的尺寸不变性,并且使损失函数能够将预测框的四个坐标作为一个整体进行训练优化。在此基础上BR-IOU损失函数还通过添加惩罚项最小化预测框与真值框中心点间围成矩形的面积、提高预测框与真值框之间宽和高比值的一致性,来提升预测框的回归收敛效果。实验结果表明,结合BR-IOU损失的YOLOv3算法的检测精度在PASCAL VOC数据集上高出原YOLOv3算法2.54%（IOU=0.5）,在COCO 2014数据集上高出原YOLOv3算法2.07%（IOU=0.5:0.95）。（2）在YOLOv3算法中引入IOU预测机制与焦点损失算法,预测每个预测框与真值框之间的IOU值。将预测的IOU值与类别置信度相乘作为预测框新的类别置信度,以加强预测框的类别置信度与定位精度之间的关系,然后通过引入两个调节参数来缓解模型在训练中存在的正负样本以及难易样本失衡的问题。实验结果表明,同时引入上述两种改进方式的YOLOv3算法的检测精度在PASCAL VOC数据集上高出原YOLOv3算法1.66%（IOU=0.5）,在COCO 2014数据集上高出原YOLOv3算法2.33%（IOU=0.5:0.95）。