交通标识在现代社会中随处可见,也扮演着重要的角色,它作为一种信息载体向行车人员传递各种指导信息。在智能交通快速发展的今天,越来越多的汽车上装有交通标识智能识别系统,这种智能识别系统可以帮助行车人员减少识别交通信息的认知努力,更重要的是降低由于人为认知偏差所带来的安全隐患,因此,更加安全可靠的交通标识识别系统是驾驶员的需求,也是当下汽车生产商的研究热点。然而实际行驶中的汽车拍摄的图片,难免出现图像扭曲、模糊现象,除此之外,还存在外部不可控因素的干扰,例如恶劣天气的影响等使得交通标识识别系统的研究面临许多困难,实际应用还远不够成熟。本项研究经过前期大量的文献检索,在文献回顾中发现卷积神经网络应用于图像识别、语音分析等许多方面取得显著成果,着重研究了卷积神经网络在交通标识识别中应用。卷积神经网络搭载了多层感知装置,在识别图像时可以有效减少图片变形、缩放等因素的干扰,但是它深层结构性使得在识别图像时用时过长,在实际行车中没有办法实现快速响应,不适合实时性要求高的应用环境。针对这种现实状况,本文提出了一种优化的卷积神经网络,主要解决保证准确率的基础上增加实用性的问题。本文的主要工作是:为规避传统卷积神经网络在应用中耗时长的问题提出了一种优化的卷积神经网络算法。在交通标识检测的问题上,通过颜色和形状相结合的方法,首先用SVM颜色分类器将原始图片转化为灰度图像,再利用形状模板匹配提取感兴趣的图像区域以及后续对感兴趣区域的进一步提炼,最后输入到优化的卷积神经网络检测,检测算法在德国交通标识检测标准数据集上检验,实验结果表明,该算法具有较高的检测准确率,并且对光照、遮挡、旋转等有较强的鲁棒性。针对交通标识识别问题,提出一种层次化分类算法。首先将交通标识粗分为若干大类,然后根据各类标识的特点有针对性的做预处理,处理后的图片输入优化的卷积神经网络进行细分类得出具体类别,最后将所提出的识别算法用基于德国交通标识识别标准数据集进行检验并与其它优秀算法对比。结果表明,该算法在保证了较高的分类正确率的基础上,极大的提升了运行速度,更加适用于实时性要求较高的交通标识识别系统。