在机动车通行道路上设置交通标志,对调节交通流量和提高道路的通行能力都起着重要的作用,它还可以预先把当前的道路状况向驾驶人员做出指示,让驾驶人员提前有所准备,从而降低交通事故发生的概率。但近年来,随着车辆数量的增加和道路状况的日益复杂,交通安全问题引发了人们的热议,智能交通系统也受到各方的关注,该系统通过综合运用先进的科学技术,建立一个可以主动控制车辆安全行驶的系统。交通标志识别作为该系统中辅助驾驶系统的一个重要功能,在整个系统中发挥了巨大的作用,各国政府和汽车制造商对这一问题进行了多年的研究,但由于真实交通环境的复杂性,还有许多问题尚待解决。为此,本论文对交通标志检测和识别这一问题作为研究主题,运用卷积神经网络的方法对其进行研究和分析。在交通标志检测问题上,为了提高从场景图像中检测交通标志的速度和准确度,本文提出一种非对称卷积神经网络的算法。该算法首先要从原始图像中提取ROI区域,而后进行分类,前期提取ROI区域的方法是用传统的颜色转换和形状匹配的方法进行,实验使用的原始图像来源于德国交通标志检测基准数据集。通过实验表明,该算法可以克服图像中交通标志尺寸过小、不良天气和标志褪色等不良影响,鲁棒性较好,证明了算法的有效性。在交通标志识别问题上,提出了一种多分辨率卷积神经网络算法,用于解决使用卷积神经网络进行交通标志识别时训练时间长的问题。该算法在基于传统卷积神经网络的基础上,使用两个不同的分支训练网络,提取特征并进行分类。将图像预处理为一个高分辨率图像数据集和一个低分辨率图像数据集,分别作为两个分支的输入,高分辨率分支可以更好的提取全局轮廓特征,低分辨率分支可以更好的提取局部细节特征,然后通过全连接层整合两个分支提取的特征,最后通过分类器进行分类识别。在GTSRB数据集上的实验表明,该算法在保证高识别精度的同时,大幅度降低了训练时间,兼顾了交通标志识别的准确性和实时性。