随着汽车的使用量越来越多,交通安全成了目前智能化城市发展亟待解决的问题之一。根据交通法律法规,车辆在行驶的过程中有一套特定的灯语表示,车辆灯语是行车过程中辅助驾驶决策的一个关键的因素,而在复杂环境中目前已有的检测方法很难自动且准确地识别出前面车辆的灯语语义。因此本论文中提出的车辆灯语检测与识别的方法有很重要的研究意义和应用价值。本文基于深度学习和注意力机制的车辆灯语检测与识别的工作主要有以下四个贡献点:(1)鉴于现有的公开的针对车辆尾灯灯语检测与识别任务的数据集十分稀缺,本文从真实的城市环境中采集大量的行车视频,经过筛选、截断、抽取视频帧、图像标注等流程,首创了一个颇具研究难度的车辆灯语数据集,同时为本文提出的车辆灯语检测与识别方法的验证提供了有力的数据支撑。(2)根据车辆尾灯灯语检测与识别任务本身的特点和数据集在低光照等环境干扰下车辆轮廓不明、灯语表示不清晰的研究难点,本文采用由粗到细的研究思路,设计并搭建了粗糙/全局的注意力模块(Coarse Attention module),充分利用原始图像的整体信息,能够对被测物体进行粗略的分类和定位。并通过理论推导和在通用数据集的实验证明了该方法的可行性。(3)针对车辆尾灯灯语检测与识别任务易受强光照下的反光、街灯、其他车辆灯光以及拍摄视角范围内各种发光物体的影响,我们在粗糙/全局注意力模块(Coarse Attention module)的基础上进一步对网络进行优化,提出并构建了精细/局部注意力模块(Fine Attention module),用来深入学习车尾灯的细节信息,进一步定位到车尾灯区域,减少灯语语义之间的混淆,与先进方法相比,实现了最佳的车辆灯语识别效果。(4)在通用目标检测网络的基础上,加入以上两个可嵌入亦可拆卸的注意力模块,提升检测的平均准确率,再通过深度学习网络优化方法,加快网络计算速度,最终完善并搭建了一个高效的端对端车辆灯语检测与识别系统,实现了对输入行车视频进行实时的灯语检测识别与预警,在实际的应用场景中可以极大地增强驾驶的智能性和安全性。