随着众多科技领域如计算芯片、深度学习算法等的相继突破，交通标志检测算法近年来已经取得了长足的进步。然而，在面对复杂多变的交通场景时，当前的交通标志检测算法仍然有着巨大的提升空间。本文提出了一系列方法来解决目前交通标志检测中遇到的难题。本文的主要贡献如下：
　　(1)有效地解决了目前已存在的交通标志数据集中存在严重数据不平衡和样本缺失等问题。本文通过在TT100K数据集上的实验验证了该方法的可行性以及鲁棒性。
　　(2)YOLOv3算法在小目标检测上的性能较差，本文通过融合网络的浅层特征与深层特征，进一步提高特征图的大小来改进YOLOv3算法对于小尺寸目标的检测能力，此外，本文融合注意力机制到YOLOv3网络中来更有效地捕捉复杂背景下目标的位置，改善模型的性能。在多个数据集上的实验表明，本文所提出的改进网络的性能相比于原始的YOLOv3网络有了较大的提升，尤其是对于小尺寸目标而言。最后，基于上述改进网络和已提出的交通标志数据集合成方法，本文提出了一个两级交通标志检测框架，具有检测和识别道路上所有交通标志的能力。在TT100K数据集上的实验表明该框架具有鲁棒的性能和较强的扩展能力。相比于其他交通标志检测算法，本文的交通标志检测算法在可分类类别数量和准确率上都具有较大的优势。