交通标志检测与识别已成为自动驾驶和高级驾驶辅助系统(Advanced Driving Assistance System,ADAS)中的关键技术,该技术可分为交通标志检测和交通标志识别。尽管这项技术已经研究多年,但目前仍然面临诸多挑战。对此,本文对基于深度学习的交通标志检测与识别方法进行深入研究,设计了一个“检测+定位优化+分类”的网络结构,并通过实验验证其有效性。本文具体工作如下:(1)针对交通标志因尺寸小而检测困难的问题,本文提出两种基于YOLOv3的深度卷积神经网络。一是基于多尺度特征融合的检测网络,该网络通过对顶层特征的上采样实现多尺度特征提取,然后通过特征融合网络融合不同尺度的特征以改善对小尺寸目标的检测效果;二是基于多感受野特征融合的检测网络,该网络采用Dark Net-53作为主干网络框架,通过增加下采样率来提升对小尺寸目标的检测精度,并引入扩张卷积来改善尺度变化的问题。实验结果表明,本文提出的两种检测网络具有更高的检测精度和检测速度,优于其他检测方法。(2)针对检测网络预测的边界框存在偏差的问题,本文提出一个基于U-Net网络的定位优化方法,该方法首先扩大边界框使其包含整个交通标志,然后采用U-Net网络对边界框中的交通标志进行语义分割并得到相应的二值图像,最后提取二值图像中交通标志轮廓来确定更精准的边界框。通过分析“检测+定位优化+分类”的整体网络在GTSDB数据集上的表现,验证了此方法能够有效提高网络的整体性能。(3)为进一步提升交通标志识别方法的性能,本文提出一个基于空间变换网络(Spatial Transform Networks,STN)的识别方法,此方法通过结合STN与基于非对称卷积的分类网络来实现交通标志的快速精准分类。在GTSRB数据集上的实验结果表明,本文提出的识别方法实现了99.52%的分类准确率。