随着我国经济的高速发展,机动车及驾驶人员数量与日俱增,道路交通问题已经成为人们关注的焦点。道路交通的高速发展在给人们带来便利的同时,也带来了各种安全隐患和一些不必要的经济损失。复杂光照条件对自动驾驶中交通标识检测造成了很大困扰,如何削弱复杂环境对交通标识检测造成的影响已经变成了亟待解决的问题。为了解决上述问题,本文对复杂光照条件下的交通标识检测算法进行研究,通过减少光照对交通标识检测的负面影响,满足交通标识检测系统的实时性和准确率的要求。本文的主要研究工作如下:首先,本文对交通标识检测的研究现状进行了分析。通过对交通标识检测方法的研究,发现交通标识检测过程中出现的背光干扰、检测速度慢、检测准确率不高等问题仍未得到有效解决。与此同时,本文发现超限学习机分类方法具有训练速度快的特点,并将其应用在交通标识检测中,从而提升交通标识检测效果。其次,本文提出了一种基于迭代模糊超限学习机的背光补偿算法。这是一种复杂光照条件下对交通标识进行预处理的方法。首先将图像的颜色空间由RGB转换至YIQ。其次通过亮度直方图和大津法分别提取两个背光因素来表示图像的背光度。接着采用本文提出的迭代模糊超限学习机神经网络融合背光度。最后由融合的背光度确定背光补偿曲线,并由背光曲线来调整图像Y通道的亮度,将其与IQ通道合并转换至RGB空间。在自采数据集上进行的实验表明本文提出的算法在背光补偿方面较之传统算法具有更好的补偿效果,可以有效避免其它方法中存在的过饱和问题。最后,为了进一步加快交通标识检测速度,本文提出了一种基于区域生成网络和核超限学习机的交通标识检测方法。此方法采用区域生成网络进行候选区域选取,然后提取TOP N个候选区域的HOG特征,利用已训练好的核超限学习机进行分类筛选,最终确定交通标识的位置。本文将提出的方法在德国公开数据集GTSDB以及自采复杂光照场景数据集上分别进行了实验。实验结果表明本文提出的方法取得了较好的效果,具有运算速度较快的特点。