交通行业的快速发展提高了人们出行的便捷性,与此同时,也带来了交通堵塞、交通事故频发等问题。为了缓解这种状况,近年来,智能驾驶中的交通信号检测与识别技术已经进入了实用阶段。常见的交通信号检测与识别通常分为基于雷达传感器和基于车载视觉两类,但由于雷达设备要求复杂、成本较高,因此基于车载视觉的交通信号检测与识别技术受到了研究人员越来越多的关注。在实际行车场景中,车载相机拍摄到的交通信号占比较小、所处位置背景复杂,检测识别算法在提升准确率的同时需要耗费较大的计算力,给ADAS（Advanced Driving Assistance System）的实时检测带来了一定难度。本文从算法检测精度与识别准确率角度出发,以提高检测识别算法的实用性为目标,对现有算法模型进行改进,研究了基于车载视觉的交通信号检测与识别整体设计方案。本文主要研究内容如下:为了提升YOLOv5l检测算法在交通信号数据集上的检测性能,提出一种基于YOLOv5l的检测优化算法。采用K-Means++算法进行锚框计算,自适应选取相距较远的聚类中心进行聚类,优化聚类结果;再在特征融合网络引入Bi-FPN（Bidirectional Feature PyramidNetwork）网络,在特征双向融合的基础上加入了跨越连接,丰富特征信息;最后在预测网络部分用DIOU（Distance Intersection Over Union）代替GIOU（Generalized Intersection Over Union）,提高预测框的精准度。针对CNN网络过于依赖卷积操作的问题,提出了一种基于视觉转换器（Vision Transformer,ViT）的交通标志识别优化算法。采用ViT模型作为交通标志识别器,为了降低图像切片时造成信息丢失的风险,在ViT编码器前,引入DenseNet网络提取特征,实现原始特征和卷积后特征映射的密集连接,加强特征的传递性。再将其编码特征输入ViT编码器中,利用注意力机制对特征进行重点关注,输出识别结果。对本文提出的整体设计方案性能进行实验验证。结果表明,YOLOv5l检测优化算法能有效避免误检、漏检情况的发生,并且检测精度得到一定的提升,MAP（Mean Average Precision）值提高了5.1%;ViT识别优化算法能对交通标志进行更加准确的识别,识别准确率提高了3.57%。最终在多种场景下验证了本文整体设计方案对交通信号的检测识别能力,证明了本文整体设计方案的有效性。