随着社会经济的迅速发展和人们生活水平的提高,汽车的产量逐年增加,道路交通拥堵和交通事故频频发生,于是智能交通系统应运而生。交通标志检测识别作为智能交通系统的重要组成部分,受到国内外学者广泛关注。然而实际道路环境多变且复杂,这给交通标志的检测和识别带来了挑战,因此交通标志的检测与识别研究具有一定的实际意义。充分考虑到各种干扰因素以及对算法实时性要求,本文主要工作如下:针对交通标志这类种类较多、尺寸较小的目标检测问题,在现有的YOLOv4-tiny单阶段算法的基础上提出了一种粗分类的检测策略,然后通过增加一层特征金字塔网络结构增加对小目标的关注。通过策略调整以及算法改进,改进的YOLOv4-tiny在CCTSDB数据集上m AP（mean Average Precision）达到了86.27%的检测效果,相对原网络提高了6.16%。实验证明,改进的YOLOv4-tiny网络模型检测精度高并且泛化能力好,在国内三大类交通标志的检测上均表现出良好的性能。针对交通标志识别精度不高和实时性差的问题,提出基于卷积神经网络的两种不同识别算法对交通标志进行分类。方法一通过引入残差连接、inception模块以及稠密连接对传统CNN结构改进,在网络最后还使用了3×3卷积替代全连接层,改进CNN在大型交通标志数据库GTSRB准确率达到了98.71%,每张图像的识别时间约0.158ms,实验结果表明该算法准确率高、实时性好;方法二将改进后的语义分割网络UNet与分类网络LeNet级联,通过改进UNet对交通标志感兴趣区域进行精确提取,使得LeNet能够直接学习到图像中感兴趣的特征,该方法在自制数据集上准确率达到了98.96%,虽然耗时上虽相对于方法一仍有不足,但是该方法对数据集依赖更少,在少量的数据集上仍能表现出不错的分类能力。对比两种不同的交通标志识别算法,将交通标志检测与识别方法进行算法整合,通过摄像头连接计算机在实际道路上完成算法测试过程。实验证明,本文所提出的方法在数据不均的情况下不仅能够应对交通标志检测精度不高的问题,还能在较短的时间很好地进行交通标志识别并表现出较好的鲁棒性,在实际应用中具有一定的指导意义。