交通标志检测与识别作为智能交通系统的重要组成部分,在辅助驾驶、无人驾驶等方面具有广阔的应用前景。近年来,随着车辆的不断增加,交通环境日益复杂,为了保障道路行驶的安全与畅通,交通标志检测与识别变得尤为重要。但由于天气和人为等外部因素对标志造成的损坏难以预料,使得交通标志检测与识别算法目前仍存在着很大的挑战。如何对标志进行准确且高效的检测识别是目前所面临的实际问题。在此背景下,本文运用深度学习理论知识,对交通标志检测与识别进行研究,通过对算法的改进与优化,相对于传统方法在准确性和实时性上都有所提高。主要研究内容和成果包含以下两个部分:针对传统的检测方法存在的实时差、复杂度较高以及现有基于卷积神经网络检测框架对小目标检测效果不佳等问题,通过对SSD(单次多框检测)模型的深入探究,提出一种基于SSD模型改进的卷积网络算法,算法通过增加低层特征图,丰富小尺寸目标的语义信息,并将多层特征图进行融合,实现不同特征层的多元信息分类预测与位置回归,改善模型对交通标志小目标物体的检测效果;利用K-means聚类算法对SSD默认框值的选取进行分析,重新调整原有特征框大小比例,加快模型收敛,提高算法精度。实验通过GTSDB和CCTSDB两种不同的数据集对模型加以验证,并与其他模型进行对比。结果表明,本文所提出的算法表现出较高的精确度,且满足实时性的需求,具有较强的实用性。针对目前现有的交通标志识别算法网络结构较为复杂,且网络训练以及识别过程耗时较长等问题,本文在前人研究的基础之上,提出一种基于Le Net-5模型改进的交通标志识别方法。在Le Net-5模型的基础上增加两个卷积层,网络采用两层卷积一层池化的结构,以充分提取图像的局部细节特征,提高网络的识别能力。在池化层后加入Dropout操作,弥补了经典Le Net-5网络在交通标志识别训练期间发生过拟合的不足。将Sigmoid激活函数改为Re LU,防止梯度消散。采用GTSRB中的训练集对改进后的网络训练,并将训练好的模型与其他识别方法进行识别率和识别时间的分析对比。实验结果表明,本文改进后的网络模型在精确率和实时性方面相比其他经典网络模型具有一定优势。