在计算机视觉领域的诸多研究方向中,视觉目标检测与跟踪是最基础也是最重要的研究方向之一,同时也具有广泛的工业应用场景。视觉目标检测与跟踪是计算机对环境物体进行感知理解最基础也是最重要的步骤,为进一步的高层级的理解任务奠定了基础。而在众多的目标检测与跟踪的算法中,对目标的定位准确度是其算法整体性能的关键所在。针对视觉目标检测任务,本文着眼于目标定位准确度,通过分析检测结果,发现了当前的视觉目标检测算法的一个本质的矛盾问题,那就是检测结果中检测框的分类得分高低和定位的准确度好坏并不是对应的。具体来说,就是定位准确度高的分类得分不一定高,反之亦然。针对这个矛盾问题,本文提出了一种定位质量估计引导的目标检测算法LED模型（Localization-Quality Estimation Embedded Detector）。LED从提升检测框的定位准确度的角度出发,在现有目标检测算法的基础上设计了定位质量评估分支,对目标检测框的定位准确度进行评估,并且把评估的定位准确度与分类得分结合作为目标检测边界候选框的综合得分,提出了定位质量估计引导的视觉目标检测算法。在PASCAL VOC、KITTI等目标检测数据集的实验中,LED在损失较少速度的基础上,有效提升了视觉目标检测的检测精度。进一步的,由于当前的视觉跟踪算法对目标的定位准确度没有特别的研究,并且没有在一些富有挑战性的跟踪场景进行算法跟踪性能的优化,本文针对跟踪场景中经常出现的富有挑战性的尺度变化、形状变化、遮挡等情况下的提升定位准确度问题,提出CAT模型（Corner Aided Tracker with Deep Regression Network）。CAT为了获得定位更加准确的目标跟踪框,将目标跟踪的边界框跟踪问题转化为边界框角点与中心点的跟踪问题,通过对边界框角点和中心点的估计和融合,获得更为准确的跟踪边界框。CAT能够自适应地选择目标跟踪框的关键点子集进行目标跟踪框位置的融合,能够有效应对尺度变化、形状变化、遮挡等场景,给出较高定位准确度的目标跟踪框。在实验中,CAT在OTB、UAV123、La SOT、VOT等数据集上都获得了很好的效果,具有明显较高的定位准确度。