自然道路场景下具备大量的交通标志牌信息,可以指引行车司机正常规范驾驶。交通标志实时识别技术在高级辅助驾驶系统与自动驾驶中起到了巨大作用,有助于行车司机了解前方道路拥堵等信息并且引导司机进行规范的驾驶操作。可实际上,自然道路场景环境复杂因素:不利天气、强光照射、扭曲遮挡等因素会给交通标志识别带来极大的困难。本文基于当下目标检测的YOLO系列方法,主要做了以下研究工作:首先提出了YOLOv4++算法,该算法以YOLOv4算法为基础,在原有YOLOv4模型输出三个特征图的情况下,充分利用浅层特征有利于检测小目标的特点,在浅层多输出一层特征层,最后输出四个特征图,利用四个特征图融合进行预测,从而解决小目标漏检的问题。其次提出K-Means++算法,该算法以原有的K-Means算法为基础,在TT100K数据集上重新聚合生成符合标志牌大小尺度的先验框,基于四个输出特征图,在四个不同尺度特征图的网格上一共得到12个不同的先验框用来适应实际自然场景中各种标志牌的尺度,这样可以让预测框位置定位的更精准,同时缩短目标检测时间,提升算法实时性。最后扩大交通标志的检测范围,使得交通标志识别系统不仅可以识别标志牌本身,也可以识别有些标志牌内部的文字。为了验证算法改进的有效性,基于五种类别标志牌,在三种自然条件下（黑夜、雨天、白天）,将改进后的算法与YOLOv4算法、YOLOv3算法、Faster-RCNN算法进行对比,结果表明:YOLOv4++算法对五类标志牌检测的m AP值在三种自然条件下分别为0.96、0.81、0.98。对20km/h、30km/h、40km/h的实际驾驶视频统计其FPS,平均值分别为28.3、27.9、26.7。改进后的算法检测准确率更高,同时实时性相较于其他算法也有一定提高,并且可以满足实时识别,证明了本文改进算法的有效性。