近年来中国道路交通发展迅速,交通状况愈发复杂,基于目标检测的自动驾驶技术逐渐成为研究的重点。交通标志检测作为自动驾驶领域最重要的组成部分之一,受到了社会各界的广泛关注,其中基于卷积神经网络的目标检测算法被认为是解决交通标志检测问题最有效的办法之一。交通标志对检测精度及检测速度方面均有较高的要求,以Tiny-YOLOv3为代表的轻型网络虽然满足对检测速度的要求但检测精度普遍较低;以YOLOv3为代表的大型网络在检测精度上取得了不俗的成绩但难以满足检测速度的要求。为解决上述问题,对Tiny-YOLOv3轻型网络及YOLOv3大型网络分别提出了优化方案:针对Tiny-YOLOv3等轻型目标检测网络在交通标志检测中存在检测精度低的问题,提出了一种基于深度可分离思想的卷积模块,有效地减少了卷积运算所需的计算量,从而在计算量相同的条件下,构建了更多层次的特征提取网络,提取更深层次的图像特征。同时,设置了更多层次的特征融合网络,有效地提高中小型交通标志的检测精度;使用h-swish激活函数代替传统的Re LU激活函数,有效避免了梯度消失现象。实验结果表明,基于深度可分离卷积的Tiny-YOLOv3网络在数据集上获得了平均精度均值（m AP）97.54%、检测速度201.5fps的结果,较Tiny-YOLOv3在m AP值上提高了14.01%,有效地提高了交通标志检测的精度。针对YOLOv3等大型网络在交通标志检测中存在计算量大、检测速度慢的问题,提出了一种基于反残差结构的深度可分离卷积模块代替YOLOv3网络中的残差模块,从而有效地减少了网络的计算量。为避免梯度消失现象,对YOLOv3的特征处理模块进行了优化;为进一步提高中小型交通标志的检测精度,增加了基于4倍下采样的特征融合层并重新设置了各尺度特征融合层上的网络层数。基于反残差结构的深度可分离卷积YOLOv3网络在实验数据集上获得了m AP值98.95、检测速度87.9fps的结果,较YOLOv3在检测速度上提高了54.1fps,有效地提高了对交通标志检测的速度。