近年来随着人们经济水平与生活质量的不断提升,对汽车驾驶的安全性以及舒适性也提出了更高的要求,这也促使辅助驾驶技术在汽车领域得到广泛应用。汽车辅助驾驶系统不但可以很好地减少驾驶员驾驶过程中的精神压力,还能大大降低交通事故发生概率。辅助驾驶系统中的核心要素就是路标识别。随着科学发展,技术的进步,深度学习技术可以提高路标识别的精度和效率。本文的研究是基于深度学习来探讨路标识别问题,研究并实现路标识别系统。为了实现该系统,本文所做的工作主要为:1、基于路标的颜色特性和人眼对颜色感知的特性,提出CLAHE算法与基于Grey-Edge的图像增强算法相结合,有效的改善图像的质量。2、采用Leaky ReLU激活函数,残差网络ResNet以及R-FCN网络改进Faster R-CNN的网络结构,使用最新的Nadam优化算法和OpenBLAS加快网络训练速度,并通过实验验证和分析了改进算法的性能。最终从实验的四组网络中选出不仅识别精度高而且识别效率快的路标检测网络:R-FCN+ResNet-50。3、为了提高R-FCN+ResNet-50网络的实用性,改进了RPN网络,减少候选区域的数量和大小,不仅提高了路标识别精度,还提高了识别的效率。4、搭建路标识别系统,包括软件和硬件平台。完成改进的R-FCN+ResNet-50对行车记录仪采集的离线视频的实验,验证了网络模型的可靠性和系统的实用性。