随着辅助及无人驾驶的兴起，交通环境感知越发重要，道路交通标志识别是交通环境感知的重要研究内容。随着计算机视觉技术的成熟以及在交通领域的广泛应用，利用目标识别技术为辅助及无人驾驶提供交通标志位置、类别等信息，有利于交通智能化发展和交通标志信息化管理。基于传统特征和浅层神经网络的交通标志识别方法难以满足识别准确率的需求，故利用深度神经网络提取交通标志特征，实现交通标志高效实时的检测、分类和识别。本文基于特征提取和候选区域进行交通标志检测；为提高交通标志分类准确率和实时性，利用轻量级深度学习模型实现交通标志分类；考虑实时性需求，利用一体化识别的深度神经网络进行交通标志的检测和分类，为智能网联汽车和交通管理提供交通标志信息支撑。
　　首先，分析自然场景下交通标志图像特性和交通标志基础特性；并总结了国内外主流交通标志分类和识别数据集属性；同时，阐述了深度学习方法特点，分析了深度学习与传统计算机视觉技术和机器学习的异同。
　　然后，基于交通标志的颜色、形状、纹理等显著特性，分析了消除光照、雾霾等干扰因素的不同交通标志图像处理技术。利用不同颜色空间、HOG和U-LBP等方法提取交通标志显著特征；同时，对比分析了交通标志不同特征点提取效果，为后续交通标志检测、分类和识别提供图像处理方法和特征提取方法。
　　其次，基于HSV-HOG融合特征提取交通标志候选区域，检测交通标志的位置。同时，基于传统CNN，引入空间金字塔和BN方法提出了改进SPPN-CNN分类模型，并利用Softmax分类器实现交通标志分类。基于传统Yolov3网络，利用FCM聚类方法改进Yolov3默认先验框尺寸；并结合融合了卷积层和批量归一化层的改进Darknet53网络提取交通标志多尺度特征；同时，利用GIOU解决目标检测指标IOU检测不全面的问题，构建了改进Darknet53-Yolov3交通标志高性能识别模型。
　　最后，搭建了基于Tensorflow-GPU的深度学习平台，从交通标志图像采集、图像标注两方面自建重庆交通标志识别数据集CQTSDB。利用融合特征结合MSER提取候选区域，并利用HSV-HOG-SVM方法检测交通标志。同时，基于GTSRB数据集训练并验证了基于改进SPPN-CNN的交通标志分类模型，从图像处理、模型参数和模型结构三方面开展比选实验并测试改进模型的性能。并且，基于LISA、GTSDB和自制CQTSDB数据集，探讨改进Darknet53-Yolov3模型的训练过程和测试识别效果。实验表明，改进模型性能优异，具有较高召回率、准确率以及较强的鲁棒性和泛化性，能够实现不同交通环境下道路交通标志实时高效的识别。