交通标志检测和识别是智能交通系统的重要组成部分,它可以为驾驶员提供必要的视力扩展,为交通信息系统提供真实有效的数据,给无人驾驶系统提供必要的决策依据,因而能够有效保证驾驶员的安全驾驶,提高车辆的智能化水平,不但具有重要的学术价值,还有巨大的社会价值和经济价值。但足由于交通标志检测和识别任务所处环境的复杂性,关于这方面的研究涉及领域广泛,但依然面临很多困难。本文在充分研究和总结了现有方法的基础上,充分利用交通标志的颜色信息和形状信息,提出了一种快速的交通标志的检测算法。并提出了一种兼具快速性和准确性的交通标志分类网络。本文主要的工作如下:(1)针对交通标志的颜色信息,将特定颜色进行增强,获得多个通道的颜色增强图,改进了最大稳定极值区域以往只在单通道图像上进行的区域提取的不足。另外,对DtB特征描述进行改进,将其取值范围控制在若干个离散值之间,从而使其更具鲁棒性。然后构建了一个小型形状数据集,训练了一个基于DtB特征的贝叶斯分类器。结合以上工作,完成了一种快速交通标志检测算法。(2)为提高交通标志识别所使用的卷积神经网络的准确性和快速性采取了两点改进:首先,在分类网络中加入了一个小型的卷积神经网络,即空间变换模块,其可以获得一个空间变换参数(通常是仿射变换矩阵),将发生形变的特征图进行校正后再送入分类进行识别,从而提高的分类网络的准确性。其次,针对有些交通标志外观相似的问题,改进了多尺度并联卷积结构,增强其局部特征的表征能力,从而能够提供分类网络的性能。另外,多尺度并联卷积结构的降维特性,还大大减少了分类网络的参数量,不但提高了网络训练和使用时的效率,还降低了网络陷入过拟合的风险。