近几年来,智能交通系统以及无人车技术取得了长足的发展。其中,交通标志识别无疑是智能驾驶系统中极为关键的技术之一。本文根据交通标志的特点,采用多尺度特征结合区域目标检测器,进行网络多层特征的融合,并利用筛选过的区域建议进行训练来实现交通标志的定位和分类。本文的工作主要包括以下几点:（1）传统神经网络仅依赖深层特征进行检测识别极易丢失图像的空间信息以及目标边缘像素,针对这类问题,设计了基于区域建议和多尺度特征的交通标志检测方法。首先,结合交通标志与特征金字塔的特点,在Res Net网络结构基础上,将7×7的stem block分解为若干个3×3卷积层,以减少原始输入图像中无关的参数和信息损失;其次,在网络的最后两个残差块中引入空洞卷积,试图在不改变输出图像尺寸的前提下扩增感受野;此外,将浅层卷积层的高分辨率像素和深层卷积层的高语义特征根据一定的算法进行融合,设计了一个基于区域的多尺度特征网络。（2）对基于特征金字塔网络模型的训练方法进行了优化。采取的策略主要包括:引入ROI Align算法来平衡准确性与检测效率之间的矛盾;采用能够较为温和地消除重复窗口的soft-NMS算法,更好地保留了重叠目标的搜索框;改进交叉熵损失函数来解决目标像素有限与类别不均衡分布的问题。实验结果表明,训练方法优化后的交通标志检测模型在不同交通标志数据集上均有不同程度的效果提升。（3）为了解决TT100K数据集中部分交通标志目标区域在整幅图像中像素占比过低的问题,本文将网络的浅层特征和深层特征进行有机结合,构建了一个多维特征融合的交通标志检测框架。首先,由Res Net模型生成增强型特征并作为后续模块的基础特征。网络主干由编解码模块和融合模块交替堆叠而成,其中融合模块结合了上一个编解码模块的最大输出特征和backbone产生的基础特征。然后,通过聚合模块将上一阶段生成的多层级特征组中尺度相同的特征图拼接起来,并输入squeeze-and-excitation模块中,根据通道之间依赖关系的相关性进行建模,强化感兴趣特征。在TT100K数据集上的实验结果表明,该模型能很好地解决目标像素占比过低的问题,其检测效果不逊色于其他模型。