道路交通标志利用不同的颜色、形状以及图案组合,向驾驶员传递道路的指示、警告和禁令信息。作为高级辅助驾驶系统和自动驾驶技术的重要组成部分,交通标志的检测与识别能够辅助驾驶员快速获得道路信息,提高行车安全性。本文充分利用交通标志的外形特征,针对交通标志检测与识别研究的实际难点:对低分辨率小目标标志识别率低的问题,将研究分为检测与识别两个模块,结合深度学习和图像处理相关知识,对交通标志检测识别问题进行了研究,主要工作如下:为提高交通标志分割的准确性,对图像进行预处理,采用图像增强与抑制噪声融合算法,在增强交通标志图像的同时,抑制图像噪声保留交通标志边缘细节,解决了因光照和天气变化造成的交通标志图像对比度低和传统图像预处理方法模糊细节的问题,提高了交通标志检测准确率。随后在交通标志检测阶段,首先采用基于YCb Cr空间的颜色概率模型对交通标志候选区域进行粗检测,接着提取交通标志区域的HOG特征并使用t-SNE算法进行降维。利用降维后获得的特征向量训练SVM分类器,对上一步分割的候选区域进行准确判断,去除非交通标志区域,提高检测精度。实验证明本算法具有广泛的适应性。交通标志识别阶段,针对传统的卷积神经网络对小样本分类易产生过拟合等问题,讨论了CNN-SVM模型在交通标志识别领域的应用,传统CNN-SVM使用网络提取特征,在输出层通过SVM分类器进行分类,本文在该结构基础上进行了改进,对CNN网络结构提取的特征进行归一化处理,通过CNN内层建立的特征映射模型,所传递的特征经过归一化处理后,在交通标志分类任务中具有良好的特征表示能力,较好地提升了SVM分类性能,表现出更好的分类精度以及泛化性能。最后,在本文改进的CNN-SVM模型基础上,进一步采用双线性CNN进行特征提取,利用双线性网络加强特征交互能力的特点,解决交通标志小目标识别准确率低的问题。利用不同卷积层提取的特征有效性差异,对双线性CNN进行改进,引导网络学习到具有判别性的特征。最终在本文建立的交通标志数据集分类任务中取得了98.93%的准确率,增加了低分辨率小目标交通标志的识别准确率。