交通信号灯检测和识别是无人驾驶和辅助驾驶的关键技术之一,有着广阔的应用前景,近年来受到国内外众多学者的广泛关注。随着计算机计算能力的不断提高,各类传感器的成本不断降低以及深度学习技术的蓬勃发展,关于特征融合的研究越来越多,且在目标识别领域得到了广泛的应用,因此基于特征融合的目标检测方法在交通信号灯识别中有着广泛的应用前景和研究价值。本文研究了基于特征融合的交通信号灯识别方法,结合交通信号灯的特点提出了基于视觉显著性及多特征融合的交通信号灯识别方法。探究了传统手工特征与深度学习特征融合的方法,此外对端到端的目标检测模型SSD进行了改进和优化,提出了基于改进SSD模型的交通信号灯识别算法,通过网络跨层连接实现特征融合提高模型对像素占比较低的交通信号灯的检测识别能力。本文工作主要包括:（1）提出了基于视觉显著性及多特征融合的交通信号灯识别方法。首先利用谱残差模型确定信号灯候选区;然后提取候选区的颜色、HOG、LBP直方图特征,并进行加权融合;最后利用支持向量机分类识别候选区,剔除背景区域,识别交通信号灯状态。在无人车车载相机采集数据集上的实验结果表明,该算法能取得较好的识别效果,且基本满足实时要求。（2）在传统手工特征融合的基础上研究了手工特征与深度学习特征融合的方法。通过卷积神经网络提取交通信号灯CNN网络层特征,另外提取出交通信号灯图像的Gabor纹理特征、Canny边缘特征以及LBP纹理特征,采用神经网络融合手工特征与CNN网络层特征进行交通信号灯状态的识别。在车载相机采集的数据集、LISA数据集上进行了实验验证,相比多个传统手工特征融合后利用SVM分类,CNN能够提取更丰富的特征,且神经网络融合多特征的效果更佳,耗时更短。（3）对基于端到端的目标检测模型SSD（Single Shot Multi Box Detector）进行了改进和优化,提出TR-SSD模型。该模型把SSD的主干网络由VGG替换成了Inception＿V3;针对交通信号灯为小目标的特点,在识别时将网络深层特征和浅层特征进行融合;模型的预测模块修改为目标位置、置信度和信号灯状态三个输出。改进的网络模型在LISA数据集上m AP达到了98.6%。