目前,完全无人驾驶技术仍处于长期的研究阶段,还无法大规模落地应用。因此,次级别的辅助驾驶技术是当前更有意义的研究问题。面向视觉信息的智能识别算法是辅助驾驶技术的重要组成部分。因为视觉信号包含了丰富的视觉语义信息,为智能识别算法提供了数据支撑。而交通标志作为最基本的交通元素,约束并引导司机进行安全驾驶。因此,交通标志的自动识别算法作为一种重要的辅助驾驶技术引起了学界的广泛关注。当前最优的识别算法基于复杂的深度模型,对硬件环境有较高要求。但现实中,交通标志识别算法的应用平台主要是手机、车载导航等硬件资源有限的嵌入式设备,并且对算法的实时性和稳定性有较高要求。应对这种场景,需要性能稳定且结构精简的识别模型。基于上述思考,本文提出了深度模型的小型化和轻量化方法。小型化方法针对模型的线下构建过程。利用更精简的结构设计原则和针对性的模型训练方法来获得性能优秀的小规模识别模型。轻量化方法利用参数量化等方法对已训练好的模型进行压缩,使模型可以部署在资源有限的嵌入式设备上,同时还提高了模型的实时性。本文的创新点主要有两个:(1)提出了一套深度模型的小型化方法来构建面向交通标志识别问题的卷积神经网络。该方法涉及到两个核心技术,即基于多尺度卷积的模型精简结构设计策略和面向小型化模型的概念分层训练方法。(2)提出了一种基于参数量化的模型轻量化方法。该方法可以缩减已训练好的模型的规模,并加速模型的前向推理过程。本文还在公开的交通标志分类和检测数据集上分别验证了小型化方法和轻量化方法的效果。结果显示本文提出的方法实现了与同类最优算法相当的性能,且模型规模更小、实时性更好。