越来越多的国家开始重视智能驾驶系统的研究,国内的有关部门已经出台了相关文件,提出尽快开展相关标准的预研,启动自动驾驶高精地图需求及道路设施需求研究。智能驾驶系统已经成为汽车研究领域的主要方向之一。智能驾驶系统所涉及到的主要专业领域可以划分为环境感知、智能控制和路径规划。交通标志的检测和识别是环境感知的重要的组成之一,准确且实时的对交通标志的检测和识别是该领域的重点和难点。本文主要针对国内的交通标志进行检测和识别,利用两类不同的网络完成交通标志的检测和识别,将检测识别网络的准确性以及在各种工况环境下运行的鲁棒性作为研究点。本文主要的研究方法和研究内容如下:(1)查找并阅读与交通标志检测和识别相关的论文,对目前国内外在交通标志检测和识别领域的研究状况进行了分析;了解目前交通标志检测和识别算法的优缺点,从中找到目前交通标志检测和识别算法所存在的问题。(2)介绍了国内交通标志,并分析了警告标志、禁令标志和指示标志的特点。为了增加交通标志的检测和识别准确率,引入了图像预处理,将采集得到的待检测图像进行去噪声和对比度增强处理。最后列举了一些基于颜色特征、形状特征、颜色形状多特征融合的交通标志检测算法,基于模板匹配、支持向量机、神经网络的识别算法。(3)设计了一种交通标志的检测网络。对卷积神经网络的基本结构进行了阐述,并详细的说明了卷积操作,池化操作,全连接层的原理以及作用。研究了级联卷积神经网络的结构和特点,以及深度可分离卷积网络的结构,提出了深度可分离级联卷积神经网络,作为交通标志的检测网络。(4)设计了交通标志的识别网络。提出了一种铺叠卷积网络,作为交通标志的识别网络之一,并且给出其参数的设置。研究了稠密卷积神经网络结构和原理,卷积网络随着深度的加深,模型的泛化能力更好,稠密网络可以实现网络的深层连接,对稠密网络的参数进行了说明,并将稠密网络作为交通标志的另外一种识别网络,与铺叠网络进行对比分析。(5)本文最后介绍了交通标志检测与识别实验所用到的软件和硬件、国内外的一些交通标志数据集,分析了国内外标志的部分差异,选用清华的交通标志数据集作为模型的训练集,根据训练得到的模型进行了实车试验。对网络的检测识别准确率进行了对比评估,利用在自然场景下采集到的实车道路交通标志数据对本文算法的准确率进行评估,分别利用两种网络对有遮挡、背光、雨天环境下的交通标志进行检测和识别。实验结果表明:(1)相比于传统的机器学习算法,深度学习算法的检测和识别的准确率更高,能够十分准确的检测和识别交通标志。(2)相比于铺叠网络,稠密网络层数更多,网络更深,准确率有所提升,但是其运行时间开销有所增加。稠密网络可以对背光、有遮挡和雨天环境下的标牌图像进行准确的识别。