目前国内外城市的公共交通均以地面交通为主，随着经济的快速发展，交通拥堵现象和日益增长的交通事故引起了国内外社会的广泛关注，为此越来越多的学者开始研究智能交通。智能交通系统的核心是交通标志的识别，它不但可以向驾驶司机及时的提供指示和警告，还可以对交通情况进行实时控制，以便减少交通拥塞和预防交通事故的发生。交通标志识别的关键研究内容为特征选择、特征提取和分类识别三大部分，本课题对此进行了研究。本文对交通标志进行形状分析时，根据交通标志图像本身特有的大小、形状和图案信息，从轮廓和区域两方面进行研究，提出了基于链码和快速傅里叶变换的轮廓描绘方法以及基于PCA和小波不变矩的区域描绘方法，将快速傅里叶变换应用到轮廓提取中减少了数据处理量，优化了算法；其次在小波不变矩提取区域特征时，应用主成分分析理论，将高维特征空间映射到了低维空间，用少量的特征尽可能准确的描述出了交通标志的区域信息。并通过实验验证了这两种算法在提取交通标志特征时都具有RSS不变性和较好的抗造能力，也具备一定的适用性。根据支持向量机理论在分类算法中表现出的优势以及它在交通标志识别中拥有较好的适用性，本文在研究原始算法的基础上，解决了非线性、多分类以及分类决策的问题，并将遗传算法应用到了参数优化和决策树的生成中，提高了分类器的性能，很好的生成了最优决策树。算法首先应用特征数据集训练分类器，然后对待测交通标志进行分类识别，实验结果表明识别完全正确，而且算法的效率也非常高。本文设计的交通标志识别系统是具有高效性、准确性和高鲁棒性的系统。