随着我国经济和社会的近年来的高速发展,城市化率也越来越高。从社会结构上看,越来越多的农村人口将逐步转变为城镇人口,这为我国的城市发展带来了巨大的发展动力,同时也带来了各种问题,其中就有因为城市快速扩张所带来的交通拥堵问题和越发增多的道路安全问题。为了解决当下所面临的交通拥堵和道路安全问题,交通系统的智能化不可避免地受到了重视。智能交通系统包括无人驾驶技术要进入实用阶段,最重要的一点就是要能够将道路上的各种交通状况实时地进行信息化。如何能够尽可能地排除来自于环境因素的干扰,进行准确和高效的交通标志检测与识别,是必须要解决的关键技术问题,具有很大的研究价值和广阔的应用前景。传统的道路交通标志识别首先利用图像的颜色和形状等特征来检测出交通标志图像区域,然后利用模板匹配、SVM分类器或神经网络等进行交通标志的识别。近年来,卷积神经网络得到了极大的发展,相比传统的道路交通标志检测与识别方法,基于卷积神经网络的方法能够有效地提升对交通标志检测的处理速度。交通标志的检测与识别作为无人驾驶系统和自动驾驶辅助系统中的重要组成部分,对整体行车安全有着直接的影响。针对YOLO卷积神经网络模型对小目标物体识别精确率不高的问题,本文利用YOLO网络模型对德国交通标志检测基准交通标志数据集中的43类交通标志进行快速检测定位,然后对检测出的交通标志区域进行“指示”、“警告”、“禁令”和“其他”共四类的粗分类,最后利用级联的LeNet-5网络模型对检测到的四大类交通标志区域进行快速细分类。本文使用YOLO网络模型作为交通标志检测器,将LeNet-5网络模型作为交通标志的细分类器对街景图像中的交通标志进行检测和识别,提升了对街景图像中的小目标交通标志分类的精确率,并实现对街景图像的交通标志快速检测和识别。