据公安部数据统计,截止2021年我国机动车保有量已经达到3.9亿。在汽车保有量大幅增长的压力下,城市拥堵及交通事故频发等问题也随之而来。经研究发现,人为因素是造成各类交通事故和城市拥堵的主要原因,而新兴的自动驾驶技术可能是上述问题的最佳解决方案。高精地图作为自动驾驶技术的重要一环,其制作精度和维护难度都影响着自动驾驶技术的普及。交通标志牌又作为高精地图中重要的道路要素,系统准确地检测和识别也就成为高精地图高质量制作的保证和稳定高效更新的前提。根据交通标志牌传递语义信息的方式,可将其分为符号和文本两类。通过对国内外研究现状的了解,发现目前针对交通标志牌检测识别的算法模型大多针对符号类,而针对文本类的研究较少,并且针对符号类标志牌的检测识别算法多应用于实时感知方向,所以本文将设计一套面向高精地图构建中的交通标志牌检测识别方案。综上本文将通过训练四个深度学习模型系统地实现符号类和文本类交通标志牌的检测与识别,具体研究内容如下:（1）针对符号类交通标志牌检测识别中小目标检测困难的问题,本文在YOLOv3预测策略基础上,对模型的特征提取网络、特征融合结构和定位损失函数进行改进重构,设计提出了并行注意力残差单元、双向通道注意力特征金字塔和DCPIo U损失函数,旨在保证一阶段模型速度同时,提高模型检测识别的准确率和召回率,降低高精地图后期人工检校工作量。为了验证改进模型的有效性,从CCTSDB和Tsinghua-Tencent100k两个开源数据集中筛选出符合小目标特征图片共4000张,将改进模型与多种模型进行对比实验。实验结果显示,相比于SSD300、SSD512、YOLOv3和Faster RCNN分别有9.27%、6.93%、5.3%和2.94%的提升,并且改进模型可实现每秒21帧的视频识别速度,符合一阶段模型速度范畴。（2）针对文本类交通标志牌的系统性检测和识别问题,本文采用三个深度学习模型分步实现。首先训练一个单类别目标检测模型用于自然场景中文本交通标志牌检测提取,避免后期不同标志牌间文本信息混淆和自然场景中非标志牌文本信息干扰。然后在Advanced EAST基础上进行改进,采用Resnet50替换原始VGG16提高模型特征提取能力,同时修改了图片预测尺寸的重定义策略。通过对比实验结果显示,改进Advanced EAST相比于EAST和Advanced EAST在文本检测的准确率和召回率上均有不同程度的提升,而且在有遮挡和长文本情况下改进模型检测效果更优。最后采用CRNN模型实现提取文本的识别,考虑到目前还没有针对交通标志牌文本识别的数据集,所以本文设计了一种文本图片预处理方法,省去标志牌文本数据集标注过程。通过实际实验结果显示,仅采用合成的中文字符串数据集训练CRNN,再结合文本图片预处理方法,即可保证提取的交通标志牌文本准确识别。