交通标志检测在自动驾驶任务中起着十分重要的作用,它属于目标检测方向的子方向。目标检测一直是计算机视觉领域研究的关键问题之一。随着深度学习的快速发展,通用目标检测的精度不断被提升。但是,在交通场景下,通用目标检测存在着很大的局限性。在实际的交通场景中,交通标志存在小尺寸目标多、目标尺度变化比较大、图像质量易受环境影响等很多特点。本文针对通用目标检测方法在交通标志检测这一问题场景下存在的不足,分别针对目前通用目标检测算法进行了研究,并在其基础上提出了新的解决方案。首先,本文提出了基于感受野融合及样本优化方法的交通标志检测网络模型。针对普通网络提取的特征尺度单一,交通标志尺寸多样,且存在很多小目标的特点,本文在特征提取网络中引入了融合不同尺度感受野的特征提取模块,通过结合目标附近不同范围的信息,从而提高网络对于不同尺寸目标的特征表达能力。在样本筛选阶段,考虑到候选样本数量多,有效训练样本比例低的情况,结合了目标得分和交并比这两项指标,本文设计了一种新的采样指标,从而达到筛选出更多有效训练样本的目的。此外,针对检测结果中易出错的样本,本文设计了样本后处理模块,从而提高整个检测网络对于这些困难样本的识别能力。其次,本文提出了基于自注意力的多尺度交通标志检测网络模型。针对交通标志尺寸多样的特点,本文首先采用了一种金字塔型的特征提取网络结构,针对不同尺寸大小的目标,选用不同尺度的特征。为了解决围绕目标附近的候选样本质量参差不齐,低质量样本占比多的情况,本文又提出了中心采样法,通过限制有效样本的半径大小,来达到去除低质量样本的目的。考虑到交通标志检测中目标与道路的具体场景上下文信息密切相关,因此本文又引入了自注意力模块,通过对全局特征对局部区域的贡献情况的计算,从而使得网络能够利用全局信息来对候选样本进行推理,提升网络对于候选区域的识别能力。为了验证文章中所提出方法的有效性,本文在Tsinghua-Tencent 100K数据集上进行了详细的实验对比,实验结果表明,本文提出的两种交通标志检测方法,在检测精度上,都取得了优于同类方法的实验结果。另外,本文还对上述提出的两个网络模型进行了对比,通过分析说明了,样本选取方式的不同是两类方法性能差异的主要原因。