随着科技的不断进步,人们的生活也开始步入智能时代。在交通出行方面,与我们最密切相关的就是辅助驾驶和自动驾驶技术。这些技术不仅能够提高我们的出行效率,也能够保障我们的出行安全。因此,对智能交通技术进行研究有着十分重要的意义和应用价值。在道路交通系统中,交通标志是重要的组成部分。不论是辅助驾驶还是自动驾驶,都必须要解决好交通标志检测的问题。但是在实际应用过程中,由于交通标志主要存在于室外,环境较为复杂,受光照、雨雾等因素的影响,摄像机采集到的图像质量相差比较大。另外在图像采集过程中还可能因为拍摄角度、拍摄距离和对焦问题等原因,导致获取的图像存在遮挡、扭曲变形、模糊不清等情况,这些都对交通标志检测带来了巨大的挑战。基于交通标志在检测在实际应用中遇到的这些问题,本文旨在解决复杂环境下的交通标志检测问题,主要工作内容如下:（1）提出了交通标志数据预处理模块TSP。通过对现有目标检测算法的数据预处理方法进行分析,发现了它们在应用于交通标志检测任务中存在的问题,一是在对图像进行缩放过程中容易造成小尺寸的交通标志无法分辨,二是在对图像进行翻转时导致一些指向性交通标志方向发生改变,三是在对图像进行裁剪的过程中没有很好的处理标注信息。因此针对这些问题,设计了TSP预处理模块,在不影响图像质量和交通标志含义的情况下对输入图像进行预处理。并通过实验对比分析,说明了将该模块在交通标志检测效果上的优势。（2）提出了基于注意力机制的SA-YOLOv4-tiny网络。注意力机制是模仿人类观察事物的方式,在深度学习网络中引入注意力机制,能够帮助模型快速聚焦于重要部分,忽略冗余的背景信息。本文通过在YOLOv4-tiny网络加入SA注意力模块,在只增加少量计算的条件下,有效的提高的模型的检测能力。（3）设计出一种改进的YOLOv4-tiny网络。由于交通标志牌本身较小,又多为远距离拍摄获取,因此往往在图像中只占了很小的尺寸。基于这一特点,在交通标志网络设计时应侧重于对小目标的检测。而YOLOv4-tiny网络针对的是通用的目标检测,在设计时并没有注重小目标的检测问题。因此本文分析了不同深度的特征图在信息描述方面的区别,结合特征融合的思想,对YOLOv4-tiny的网络结构进行了改进,从而提高网络对于交通标志检测的效果。（4）提出了基于交通标志检测的TS-YOLO模型。本文通过三个不同的方面对YOLOv4-tiny模型进行了改进,并将改进前后的网络都进行了训练和测试,经过对比分析说明了本文提出的改进方法在交通标志检测上的有效性。最后又将本文提出的三个方法进行了融合,提出一种基于交通标志检测的TS-YOLO模型,并将该模型与YOLOv4-tiny、YOLOv3、Faster R-CNN目标检测算法在TT100K交通标志数据集上进行了对比实验。实验表明,本文的算法在交通标志检测任务中明显优于另外三个目标检测算法。