随着深度学习在计算机视觉领域的发展与应用,越来越多的成功算法应用在许多工业领域中,例如,汽车辅助系统。汽车辅助系统可以对道路信息进行识别,并将结果反馈给驾驶者,从而使驾驶者在道路中集中注意力在操作汽车上,进行安全驾驶。在道路信息中,交通标识牌是一类重要的信息,为了保证驾驶汽车的安全性,在高速行驶的过程中快速且准确的检测出交通标识牌的信息具有重要的应用价值。对于目标检测有较高的实时性要求的工业领域中,YOLOv3算法是最佳的选择,尤其在智能交通的多个方面都取得了成功的应用,比如,对于道路上的行车和行人的检测。然而,直接使用YOLOv3对真实环境中交通标识牌进行目标检测存在着一些问题,例如:交通标识牌周围复杂的背景因素,而且交通标识牌本身目标较小,且存在多种尺寸,难以实现多目标检测、出现误检、漏检等情况。此外,交通标识牌的实时检测方法,在小型化终端的应用领域缺少满足市场需求的解决方案。本文将针对交通标识牌,利用YOLOv3进行改进,对交通标识牌的实时检测方法进行了深入的研究,并完成基于边缘学习的交通标识牌的实时检测系统,主要工作如下:（1）提出了基于注意力机制的特征提取网络;该网络利用注意力机制中的通道注意力与空间注意组合,将其嵌入YOLOv3特征提取网络,从而增强原算法特征提取网络在道路环境中,对交通标识牌特征提取的比重,减少复杂背景的干扰。（2）提出了基于改进YOLOv3的交通标识牌实时检测方法TSIGN-YOLOv3。该方法在基于嵌入注意力机制的特征提取网络的YOLOv3算法的基础上,在原YOLOv3的三层特征金字塔结构下,加入一层新的检测层,构建四层新的特征金字塔结构,增加YOLOv3对于目标检测的尺度范围。TSIGN-YOLOv3改善了交通标识牌的小目标和多尺寸的检测的准确性。（3）搭建交通标识牌实时检测系统的硬件平台,设计完成基于边缘学习的交通标识牌实时检测系统。本文系统通过Raspberry Pi 4B的摄像头实时采集视频图像序列,通过CSI接口将采集的视频传输到Raspberry Pi 4B开发板,并采用NCS2的将本文提出的TSIGN-YOLOv3方法模型转换并部署在Raspberry Pi 4B上,利用边缘计算加速对视频中的交通标识牌的检测,测试结果表明系统可以达到交通标识牌实时检测的要求。