交通信号灯检测和识别是无人驾驶和辅助驾驶等领域的关键技术之一。准确获得实际道路场景中交通信号灯的信息,能够为驾驶员或智能车辆减少操作失误和正确决策提供支持,减少交通事故和交通拥堵等的发生。交通信号灯检测与识别是图像处理与智能交通领域的一个研究热点,由于实际场景中交通路口的环境更为复杂、交通信号灯颜色多变且易受到光照和复杂场景等外部因素影响,导致现有相关方法对交通信号灯进行检测和识别时不能很好的满足实时性和准确性的需求,因此开展复杂背景下信号灯检测与识别方法的研究具有一定的实际意义。本文采用图像处理与深度学习结合的方法对其检测与识别。主要的研究工作如下:（1）为消除复杂背景影响,本文提出了一种提取信号灯候选区域的方法。该方法首先对交通信号灯图像进行预处理的相关操作,包括设置感兴趣区域和直方图均衡化的图像增强方法以减少计算量和降低光照变化的影响;其次通过形态学顶帽运算和基于HSV颜色空间阈值分割的方法初步确定候选区域;最后结合交通信号灯几何特征数据统计的结果,对标记的连通区域进行过滤,准确检测出交通信号灯的候选区域。（2）针对BDD100k数据集不完全符合我国实际道路场景的复杂性和多样性的问题,本文结合我国实际道路情况对BDD100k数据集进行扩充,并且使用K-means算法对BDD100k数据集和扩充后数据集重新聚类先验框,提高了模型对边框回归的检出率。最终的对比试验结果表明扩充数据集能够有效提高识别准确率和降低识别时间。（3）针对小目标交通信号灯识别时存在漏检和误检的情况,本文提出了一种改进的YOLOv3的信号灯识别方法。该方法通过改进多尺度预测结构,建立输出四倍降采样的特征融合目标检测层,同时对目标检测层前的卷积层进行改进,充分利用低层特征图所提取到的细节信息,提高了模型对小目标交通信号灯识别的准确率。实验结果表明,本文提出的改进方法在测试集中具有良好的识别效果,优于YOLOv3、YOLOv4和Faster-RCNN网络。（4）为了证明本文所提出的信号灯检测和识别方法的有效性和优越性,与传统的机器学习的方法在扩充后的BDD100K数据集中进行对比实验。对比实验的结果表明相较于传统方法m AP值提升了10.55%,识别单张信号灯图像的时间减少约33.8ms。（5）在本文研究成果的基础上,结合实际应用需求,设计并实现了基于Py Qt5框架的交通信号灯检测与识别系统。