随着我国全面步入小康社会,不断实现中华民族的伟大复兴,我国的经济实力和科技实力也处于世界领先行列,国民的汽车拥有量不断持续增长,出行安全和交通安全也日益成为人们日益关注的问题。另一方面,随着科学技术的不断创新和发展,人工智能时代即将来临,智能交通成为了研究学者们的关注热点,而实现智能交通的重要条件之一就是交通标志的检测与识别。而其中基于深度学习的交通标志检测与识别研究,具有对目标检测精度高和检测速度快的优点。但目前在国内真实复杂的交通环境下,交通标志目标检测算法仍存在漏检误检率高、检测准确度低等问题。本文的研究内容围绕如何解决这些问题展开,主要研究内容如下:为研究国内真实交通环境中的交通标志目标检测,对比分析了国内外的交通标志数据集,制作了以CTSDB数据集为基础的CTSDE3数据集作为研究对象。并对目前基于深度学习的目标检测算法进行对比分析,综合考虑算法的检测精度与速度两个因素,选取SSD算法作为交通标志检测与识别研究的基础网络模型。对经过标准化处理的数据集进行网络模型的训练、测试和验证,对目标检测结果与其他算法对比分析。分析结果表明基于SSD算法的交通标志目标检测对小目标的检测效果不佳,存在漏检和误检现象,导致平均检测精度mAP值较低。为解决算法网络模型对交通标志目标检测的缺点,本文将SSD算法基础网络VGG16替换成ResNet50网络,通过加深网络层数,增强网络模型的特征提取。同时,对网络模型添加反卷积操作,加强特征提取层之间的上下文联系,强化目标语义信息,提高网络模型的特征融合,从而大幅提高算法的检测精确率。改进后的算法网络模型考虑到了提高特征金字塔各层特征提取层间的联系,增加了网络模型提取出的特征图数量,使得网络模型能监测到更多的小目标。此外,为使算法网络模型更好的提取到小目标的特征信息,可以增加训练数据集中小目标的数量,本文提出了两种数据增强方法——不同图片金字塔图像和相同图片组合图像。通过加载预训练模型初始化网络模型参数,以及通过调整宽高比集合中的参数减少默认框的生成个数,提高网络模型的训练和收敛速度。最后,经过实验对比分析,改进后的RD-SSD算法在交通标志目标检测与识别中的平均准确率相比于原始SSD算法提高了 3.9%,证明了本文所提改进方法的可行性。