在目标检测任务中，传统的边界框回归损失函数所回归的内容与评价标准IoU（Intersection over Union）之间存在不相关性，并且对于边界框的回归属性存在一定不合理性，使得回归属性不完整，降低了检测精度和收敛速度，甚至还会造成回归阻碍的情况。并且在回归任务中也存在样本不均衡的情况，大量的低质量样本影响了损失收敛。为了提高检测精度和回归收敛速度提出了一种新的边界框回归损失函数。首先确定设计思想并设计IoU系列损失函数的范式；其次在IoU损失的基础上引入两中心点形成矩形的周长和两框形成的最小闭包矩形周长的比值作为边界框中心点距离惩罚项，并且将改进的IoU损失应用到非极大值抑制（Non-Maximum Suppression，NMS）处理中。接着引入两框的宽高误差和最小外包框的宽高平方作为宽高惩罚项，确定CRIoU（Complete Relativity IoU，CRIoU）损失函数。最后在CRIoU的基础上加入自适应加权因子，对高质量样本的回归损失加权，定义了自适应聚焦CRIoU（Adaptive focal CRIoU，AF-CRIoU）。实验结果表明，使用AF-CRIoU损失函数对比传统非IoU系列损失的检测精度最高相对提升了8.52%，对比CIoU系列损失的检测精度最高相对提升了2.69%，使用A-CRIoU-NMS（Around CRIoU NMS）方法对比原NMS方法的检测精度提升0.14%。将AF-CRIoU损失应用到安全帽检测中，也达到了很好的检测效果。

损失函数对于目标检测任务的检测精度和模型收敛速度具有重要作用，而损失函数中的边界框损失函数是影响检测结果和模型收敛速度的重要因素。针对传统模型定位精度低和训练时模型收敛慢的问题，本文在CIoU边界框损失函数的基础上提出一种改进的边界框损失函数，解决了CIoU损失函数求导过程中由边界框宽高比带来的梯度爆炸问题和模型提前退化的问题，并且引入重叠区域与目标框的宽高关系和中心点之间的归一化距离作为附加的惩罚项，提高了模型的检测精度和收敛速度，这种损失函数称为BCIoU（Better CIoU）。在PASACL VOC 2007数据集上的实验结果表明，改进的BCIoU边界框损失函数在YOLOv3网络下相对于IoU损失的mAP50指标相对提升了2.09%，AP指标相对提升了6.88%；相对于CIoU损失的mAP50指标相对提升了1.64%，AP指标相对提升了5.35%。模型的收敛速度也有一定程度的提升。本文提出的BCIoU损失函数提高了模型的检测精度和模型收敛速度，并且可以很方便地纳入到当前目标检测算法中。