为了让交通更加快捷、安全,交通系统正在经历一场智能化变革,而作为智能交通系统(Intelligent Transportation System, ITS)的核心,交通标志识别系统则被众多研究机构重点关注。该系统具有广泛的应用前景,在无人驾驶等高科技领域有着不可替代的作用。本文的研究主要集中在交通标志的识别方面,共分为四个部分：特征提取、数据降维、SVM训练、样本优化。本文提出了基于RkNN的样本优化方法,使SVM在处理大样本时能表现出更好的实时性,而正确识别率基本保持不变。本文首先对样本库进行了样本初选,去除了识别系统在实际环境中不会遇到的样本,例如灰暗到人眼亦无法识别的交通标志,随后根据交通标志的特点,选取了HOG、LBP及Haar这三种具有代表性的识别特征。在将这三种特征送入SVM分类器之前,分别对其进行了PCA、LDA两种方式的数据降维,实验结果表明,HOG特征与PCA降维的组合方式具有较好的识别效果。但是在实验过程中发现在面对大样本时,SVM训练、识别的实时性不够好。本文在研究了SVM分类器的特点之后提出了基于RkNN的样本优化方法,可以在数量庞大的样本库中筛选出数量较少的关键样本,只利用这些关键样本点就能达到原来的识别效果,而SVM训练、识别时间显著缩短。例如当RkNN中k=l、边界点判定阈值kthreshold=1时,识别正确率下降0.535%,但是SVM训练时间降为原来的32.42%,预测时间降为原来的48.63%,整个系统的实时性得到了提高。最后,本文利用MFC及MATLAB构建了交通标志应用平台,介绍了C++与MATLAB混合编程的方法,对其中遇到的主要问题进行了说明。本平台扩展性强,集成了各种成熟有效的图像处理、模式识别算法,为交通标志识别提供了一个良好的研究环境。