随着人工智能技术的发展及5G技术的应用,以基于视频的道路环境感知技术为基础的无人驾驶车技术成为新的研究热点。将车辆行驶道路上的交通标志信息和交通信号灯状态实时地信息化,自动识别提示并警告道路前方信息,为无人驾驶车系统提供决策依据。怎样尽可能地排除来自于外界因素的干扰,进行准确而又快速的交通标志检测,是当前亟需解决的关键技术问题,具有极大的研究价值和应用前景。中国交通标志包含限制性交通标志、禁令性交通标志、警告性交通标志、指示性交通标志等。现有的交通标志识别方法,通常仅限于面向常见的限制性、禁令性、警告性等标志牌大小比较规范,形状为矩形、三角形和圆形的交通标志,对于距离较远的小尺寸的交通标志研究不足。而且,在现有的交通标志图像数据集中指示性标志的样本数量严重不足,甚至不包含这类样本。真实环境下的道路交通情况复杂多变,目标较小、数据量不足、样本相似度过高以及样本分布不均匀等问题使得交通标志检测的研究面临许多困难,而实际的应用也远未达到成熟地步。本文针对上述问题,基于YOLOv3方法,以2016年发布的样本种类全面且接近真实环境的清华-腾讯100K（TT-100K）交通标志数据集,进行道路交通标志检测方法的研究。本文的主要工作有以下几个方面:（1）针对数据样本数量不足的问题,本文基于TT-100K数据集对数据进行增强。采用镜像、旋转和缩放拼接等方法提升数据分布的均衡性。并针对模糊、雾、夜间交通信号灯等影响进行去噪、去雾、增强对比度等预处理。（2）针对小目标检测困难和实时性要求,本文选用包含大量残差结构的YOLOv3为基础框架,并采用多尺度特征融合策略,增强对于小目标的检测能力,将原网络的上采样层替换为卷积层,使得训练更加高效。（3）针对于细粒度特征分类困难的问题,通过引入注意力机制改进了检测模型网络结构以提升分类效果,并通过微调模型、参数调试等方法优化训练模型。（4）针对样本分布不均匀而导致的分类效果够精确的问题,通过引入梯度协调机制改进网络损失函数,调整对简单和困难样本的权重分配,使其训练更加高效并提高分类精度。（5）针对距离过近的小目标漏检的问题,提出引入soft-NMS算法改进原有的NMS算法,提升检测的精度。采用本文改进的A-G-YOLOv3方法,采用清华-腾讯100K（TT-100K）数据集进行检验,同时采用德国交通标识检测标准（German Traffic Sign Detection Benchmark,GTSDB）数据集进行对比实验。实验结果表明,本文提出的对于上述两个数据及的mAP分别达到81.16%和98.76%,较改进前分别提高了 12.49%和5%,较对比实验方法Faster RCNN分别高出了 3.93%和3.14%,且检测速度最高可以达到20FPS,说明本文提出的方法具有一定的适用性。