交通标志中包含着丰富的道路指示信息,自动驾驶系统需要对其进行正确的检测并进行相应的操作,与行车安全息息相关。本文在国内外交通标志检测技术研究的基础上,用基于深度学习的方法尝试解决目前算法存在的识别精度低、平移扩展性差等问题。设计了一种基于稠密高分辨率网络的域适应交通标志检测网络。论文主要研究工作如下:提出了一种带有稠密连接的高分辨率特征提取网络,来解决传统图像分类网络产生的特征图分辨率较低,导致空间信息损失严重这一问题。通过对高分辨率深度网络(HRNet)的设计思路分析,本文利用其产生的特征图具有丰富空间信息特征这一优点,针对HRNet中低分辨率子网络深度较浅的设计缺陷进行改进,对所有子网络增加稠密连接。同时,将HRNet中所有子网络产生的不同分辨率特征图进行整合,使最终输出的特征图具有更丰富的语义信息,作为Faster RCNN模型的特征提取网络,进一步提高交通标志检测效果。提出了基于Faster RCNN模型的交通标志域适应方法。为了提升交通标志检测网络在复杂多变以及缺乏有效标注数据场景中的平移扩展性,本文应用H散度来描述源域和目标域之间的特征分布距离,分析现有域适应方法在交通标志检测任务中存在的问题,针对域适应过程中交通标志和图像整体的域偏移程度不同这一问题,对现有域适应方法进行改进,分别设计了全局和局部域适应模块,提升模型在变化应用场景下的健壮性。通过在常用交通标志检测数据集上进行实验,本文提出的稠密高分辨率特征网络的特征提取能力要优于传统图像分类网络。在单一数据集和跨域数据集中对提出的局部与全局域适应模块进行了测试验证。实验结果表明本文算法在不同类别的交通标志上取得了80%以上的识别精度;与原始Faster RCNN物体检测算法对比,带域适应模块的检测网络识别精度提高了约20%左右,与现有的域适应检测方法相比,进一步提升了检测效果。