汽车作为人们日常出行的必备工具,已经融入了千家万户的生活之中,人们对汽车的安全性、便捷性的要求也越来越高,因此驾驶员辅助驾驶系统应运而生,路标识别是环境感知领域的重要组成部分,加快相关技术推广应用步伐对于提高生活质量、减少交通事故具有十分关键的意义。路标所处道路环境复杂,传统检测识别方法难以保证准确性,因此本文分别针对两级检测算法与特征融合算法展开了研究。首先,分析了两种主要的路标定位方法,分别是根据路标特定的颜色和特定的形状对其精确位置进行提取,通过对两种路标定位方法的实验复现,判断其优劣,确定本文中对于路标的分级检测方法。分析了两种主要的路标识别算法,分别是基于Hu不变矩特征与支持向量机的机器学习算法和基于卷积神经网络的深度学习算法,通过对两种路标识别算法的实验复现,判断其优劣,确定本文中基于融合特征的机器学习分类算法。然后,根据路标相对于周围道路环境中所独有的颜色和形状,通过灰度化、灰度变换、otsu色彩分割算法、剔除噪声,进行路标所有可能出现位置的粗检测,获取路标的各个待检测位置,得到相应位置的HOG特征,并将其输入至SVM分类模型中,完成对路标所在位置的精检测;接着,分别提取检测到的路标准确位置图像的LBP特征、SIFT特征、HAAR特征,并采用串行融合方式完成三种图像特征的融合工作,得到待识别图像的融合特征,作为路标分类的依据。最后,建立对应的NBC模型,利用城市道路沙盘模型,完成相关路标数据集的制作,以供NBC模型训练和测试,对比融合特征和各个单一特征识别结果,对比融合特征结合NBC模型、融合特征结合SVM多分类模型、CNN等主要图像分类算法分类效果。通过各种路标识别算法实验数据分析,得出融合特征结合NBC模型识别算法的可行性。本文通过两级检测算法、融合特征结合NBC模型分类算法完成了整个路标识别系统软件架构,利用智能小车在赛道上行驶时采集的车载视频,通过实验得出算法检测率达到99.3%,识别率达到98.7%,均大于人类在驾驶过程中对路标的判别准确率,具有一定的推广应用价值。