汽车在人们日常生活中的使用量日益增多,给人们出行带来了极大的便利,但是与此同时,交通安全问题也日益突出。驾驶员问题是导致交通事故的主要因素,所以各大科研机构希望通过研发自动驾驶技术辅助人为驾驶,以减少由于驾驶员因素引发的交通事故。在实际的道路场景中,由于受天气光照变化、物体遮挡、运动模糊等不利因素的影响,物体识别的准确性和速度对研究者来说是一个重大挑战。本课题基于深度学习算法,设计了一个道路场景识别器,对于道路场景中常见的物体,如行人、车辆、动物和交通标志具有良好的识别效果。本文首先做了大量的数据集的预处理工作,除了简单的人工摄像获取图片外,为了增加数据的数量和多样性,对图片做了放射变换、模糊处理、亮度变换等操作,极大的丰富了数据集图片的数量和多样性;然后采用了ResNet-34网络模型,并对模型进行了网络结构改进,加快了网络训练速度,改进后的网络用于训练交通标志分类模型,最终模型分类的正确率达到96.602%;最后使用SSD+VGG网络、R-FCN+ResNet网络设计了道路场景识别器的总体方案,其中使用SSD算法以VGG网络为基础,识别尺寸较大的物体,如行人、车辆;使用R-FCN算法以ResNet网络为基础,识别尺寸较小的交通标志,最终良好的识别效果表明了提出算法的有效性。