交通标志图像识别技术是智能交通系统与无人驾驶系统的重要组成部分,是机器视觉领域的研究热点之一。本文以德国交通标志图像数据库(GTSRB)为研究对象,基于交通标志图像的特点,提出了一种突出数据图像细节信息,改善数据质量的预处理算法;结合深度学习算法改进了Le Net-5网络模型,提高了模型提取图像特征信息的能力和识别的精度。本文的主要研究内容和结果如下:(1)针对GTSRB数据库中交通标志图像的特点,提出了一种基于图像灰度梯度直方图的图像对比度自适应增强算法,用于增强数据图像对比度,克服了传统图像增强算法因直方图峰值过高造成过度增强的问题。(2)采用区域裁剪、灰度化、尺寸归一化和对比度增强等方法,突出交通标志图像的细节信息、提高训练数据的质量,减少了背景噪声信息和光照等因素对数据图像的影响。(3)基于并联卷积层结构改进了Le Net-5网络模型,并在模型中引入了防止过拟合策略和批量梯度下降算法,克服了原Le Net-5网络模型提取图像特征信息方式单一的缺陷,提高了模型识别的精度。(4)基于阿里云机器学习平台训练网络模型,提高了模型训练效率;研究训练精度和交叉熵损失函数随迭代训练次数变化的规律,证明了模型的收敛性和算法的优越性。(5)采用几种典型的交通标志图像测试了改进的Le Net网络模型的性能,分析了识别的效果。结果表明:本文提出的基于深度学习的交通标志图像识别方法可以有效地对目标图像进行识别,平均准确率达到了97.16%。