近年来,我国的交通网络建设飞速发展,交通安全越来越受到重视。交通标志在道路交通中有着重要作用,对于保障人们的人身财产安全具有重要意义。随着计算机科学的发展,交通标志的识别逐渐成为了计算机领域重要的研究方向。智能化地识别交通标志不仅能为未来自动驾驶时代的到来打下基础,更重要的是可以避免驾驶员错过重要的道路信息,从而减少不必要的损失。早期的研究多采用特征工程的方法,使用交通标志的具体形状信息和色彩信息,通过人工设计提取特征信息来对图片进行分类。然而这些方法无论是在精度上,还是在适用性上都无法满足人们的要求。直到近年来随着深度学习技术的快速发展,目标检测领域获得了一系列重要突破,相继出现了R-CNN系列、YOLO系列和SSD方法。其中SSD直接将图片输入到卷积神经网络中,对目标物体进行分类和回归,属于“one stage”类方法。最大的特点是,SSD框架可以在不同维度的特征图上直接进行预测,对图像中不同目标物体的尺寸有很好的敏感性。本文的主要工作是针对交通标志识别问题,构建了基于SSD框架的识别方法,主要创新之处在于提出了一种基于距离因素的自适应负采样方法,随着训练迭代轮数的变化动态地选取负样本,利用开始阶段彼此远离的正负样本让算法快速向着全局极值收敛,在后期则利用彼此接近的正负样本提高算法精度。本文提出的改进SSD方法与原SSD模型相比m AP有4%的提升。除此之外,根据交通标志问题多小目标的特点,对SSD模型的结构设计进行了三个方面的详细讨论和实验分析,即对SSD框架的层数变化、调节回归误差项和分类误差项的参数α的变化以及对数据集混入噪声的影响。原始SSD框架使用6个不同尺度的特征图层进行目标识别,本文对特征图的层数进行了对比实验,分别采用5、6、7、8、9层做了分析。实验结果表明,增加特征图层数有利于提高对小目标样本的识别。对于交通标志识别任务,将SSD模型设置8个预测层的实验结果是最好的。相比较原始6层的SSD模型,在前面的卷积网络多增加两层预测,可以精细化候选框比例,让模型尺寸更适合学习交通标志这样的小目标物体,从而提高了模型预测效果。此外,本文还对SSD算法的损失函数中用以调节回归误差项和分类误差项的参数α进行了详细的对比实验。实验结果表明α取值对模型的学习效果并没有实质性的影响,但随着α的增大,逐渐强化了回归损失,因此对框的位置预测会更准确。本文以10%的概率在交通标志数据的位置标签内分别遮挡1/9和1/16生成两个带噪声的数据集,结果显示,在数据集中加入1/9遮挡的噪声对模型m AP有2%的提升。本文主要是在SSD模型的基础上提出了一种基于距离因素的自适应负采样方法,构建了基于SSD模型的交通标识识别方法,提高了一定的识别精度。同时,本文对模型的结构、参数以及数据集的噪声处理进行了深入研究,得到了一些有意义的结果。