从辅助驾驶到高度自动驾驶再到无人驾驶，可靠交通环境感知在任何一个环节都是最重要也是最基础的。交通信号灯作为指导城市道路交叉口车辆有序通行的重要交通设施，对提升城市道路安全、提高通行效率具有重要作用。但是交通信号灯不同于其他道路元素，其颜色信息只能依靠视觉传感器才能捕捉，因此，交通信号灯视觉检测技术是交通环境感知必不可少的一部分。
　　深度学习理论与方法在计算机视觉方面取得的重大突破，为交通信号灯检测提供了新的解决方案。本文采用深度学习目标检测算法中的Retinanet模型、YOLOV3模型，来检测城市道路交通信号灯，准确识别交通信号灯在城市道路图像中的位置和类别，不仅能够为无人驾驶时代的到来打下理论基础，也能够辅助视觉障碍人群的驾驶。本文的主要研究如下：
　　(1)在交通信号灯颜色检测方面，本文基于Retinanet模型从特征提取网络、网络结构和预测框Anchor预设值三个方面进行模型改进研究，Retinanet改进模型在准确率、召回率及F1值等指标方面表现优越，说明通过对特征提取网络、网络结构和预测框Anchor预设值三个方面对Retinanet模型的改进有效。
　　(2)在交通信号灯形状检测方面，本文基于YOLOV3模型从GIOU、CBAM、SoftNMS和预测框Anchor预设值等四个方面对其展开优化研究，YOLOV3改进模型在准确率、召回率及F1值等指标方面表现优越，说明通过引入GIOU、CBAM、SoftNMS和改进预测框Anchor预设值对提升YOLOV3模型检测效果有帮助。
　　(3)在交通信号灯颜色和形状融合检测方面，本文提出了两种融合方式，第一种是基于特征提取网络的融合方法，该方法是将特征提取网络得到的形状与颜色特征图进行融合后再进行交通信号灯的检测。第二种是将检测后的交通信号灯形状与颜色结果进行融合，再将结果通过小的卷积神经网络进行交通信号灯的分类。基于特征提取网络的融合方法在在准确率、召回率及F1值等指标方面表现优越，说明将特征提取网络得到的形状与颜色特征图进行融合后再进行交通信号灯的检测对提升交通信号灯检测效果有效。