自然环境下的交通标志识别,是无人驾驶中必不可少的技术要求,近年来百度、亚马逊、google、facebook等公司越来越重视无人驾驶,前几年的研究者通常应用颜色、形状、尺度等来表达交通标志的特征。本文充分利用最近5年热起来的卷积神经网络来识别交通标志,把网络不断优化,多次实验,调整网络结构与参数,最终设计了一个在交通标志识别中表现优秀的网络模型,该网络具有良好的准确性、高效性、可移植性。用卷积神经网络的理论解决分类识别问题时,往往用到大量的数据,本文是基于德国交通标志数据集(GTSRB),以在图像处理领域效果最好的Caffe作为框架,设计适合于交通标志识别的网络模型以及网络中使用的超参数。本文的研究工作主要包含以下几个方面:(1)本文在Siamese网络模型的基础上,提出了一种双网络线性合并的想法,首先将Siamese网络卷积层与池化层的权值共享的特性改进成先不共享,随着图片特征的不断提取,再进行权值共享,这样可以提高交通标志的准确率。(2)为了进一步优化网络的结构,提高交通标志识别的准确性与可移植性,本文采用2-channel网络结构思想,把单通道图片改进为双通道图片,该方法提高了网络模型的泛化能力,还能提取图像的特征表达能力,并且给交通标志识别中因为数据量的不足,带来更加方便的识别方法。(3)最后本文应用了全新的Inception结构为基本元素,以Ubuntu14.04为操作系统,以Caffe框架为平台,以GoogleNet.为整体网络模型构架,设计了一个高精度的TrafficNet网络模型,主要改进了网络的层级结构与激励函数,大大加快了网络训练的速率,针对43类交通标志,总计54324张图片最终取得了 99.8%的分类正确率。