随着科学技术和计算硬件的飞速发展,受劳动力资源约束的应用开始谋求向少人或无人控制技术的领域发展。自主无人系统,通过智能决策系统来代替使用者做出控制决策的系统,由于其新颖的设计思想和广阔的发展前景,受到不同领域的研究人员的重视。处于科技应用发展新潮流前列的无人驾驶汽车,就是自主无人系统的重要应用之一。它通过外部传感器接收车辆周围环境信息,并反馈回自主无人系统来控制车辆驾驶。自主无人系统做出决策的前提是充分获取周围环境信息。它根据获取的外界信息实时调整控制车辆动作的决策,可见一项信息获取能力优越的技术对自主无人系统起着至关重要的作用。摄像头由于其设备价格低廉、获取的信息内容丰富等优点,使得计算机视觉处理技术成为获取外界信息主流的技术之一。计算机视觉处理包括图像分类,目标识别,实例分割等多个研究方向。针对无人驾驶汽车场景,它的视觉系统对检测处理速度有时间限制,所以一般采用的是快速的目标检测方法,如经典的一阶段目标检测方法YOLO和SSD算法。相比于二阶段检测方法,一阶段检测方法具有检测速度快的优势,但它的检测准确率和召回率都偏低。为了提高一阶段检测方法的检测性能,本文就已有的基于二维图像平面视频流的一阶段目标检测方法展开研究,提出了一种基于YOLOv3的改进模型YOLO-CBAM。本文基于YOLOv3的改进模型YOLO-CBAM的创新特点及研究工作主要有:(1)改进Dark Net-53网络中的残差块模型,在残差块特征提取后加入空间注意力模块和通道注意力模块,通过生成两个权重映射函数,来修改卷积特征中的权重,使得与目标物体相关的特征的权值变大,从而提高卷积特征的表达能力。(2)YOLOv3中使用的最小平方差边界回归方法,不能很好表现边界框对目标的检测效果。通过引入三个几何因素,Io U面积,两框的中心点距离,两个框的宽高比作为边界框回归的惩罚项,使得网络训练收敛更快,预测边界框更拟合。通过在测试集的检测,YOLO-CBAM模型在目标检测中的m AP为87.9%相较于YOLOv3模型的82.0%,提升了5.9%。针对训练数据集中,由于交通标示的种类繁多而在数据集中占比较少的原因,这会对训练目标检测网络性能影响较大。本文提出使用一种专门交通标示识别网络作为目标检测的后处理过程,来提高目标检测的性能和提高交通标示识别的精度。通过对比多种轻量级网络和堆叠卷积网络和分析它们的表现性能,给出网络选择意见。