交通标志的检测识别是智能驾驶系统的关键技术之一,交通标志中含有大量有用信息,能实时提示驾驶员做出正确反应,极大地减少交通事故的发生,但由于现实环境中天气、光线、遮挡等因素的影响,交通标志的检测识别存在一定的难度。传统的检测算法在特征提取方面因受人工设定因素的影响,无法满足交通标志在多类别下检测识别的准确性与实时性的要求。基于深度学习的检测算法具有自动提取特征、计算量小等优势,受到研究者的青睐。本文基于现行较为经典的YOLOv4目标检测算法,提出几种改进策略,旨在寻找更具鲁棒性的算法模型来完成交通标志的检测识别。具体研究内容如下:（1）选取中国TT100K（Tsinghua-Tencent 100K）数据集与美国LISA（Laboratory for Intelligent and Safe Automobiles）数据集作为本文交通标志检测识别的训练与测试数据集,针对交通标志数据集的特点以及YOLOv4算法在交通标志检测中存在的不足,提出两种可行性改进策略:改进K-Means聚类算法生成锚框（Anchor box）和改进Soft-NMS（Soft-Non Maximum Suppression）算法筛选预测框。针对每种改进策略下的算法模型分别进行训练测试与性能评价,实验结果表明,本文提出的改进版YOLOv4算法模型在TT100K与LISA数据集上的平均精度均值（mean Average Precision,m AP）分别达到了89.23%和99.60%,召回率（Recall）值分别达到了89.26%和98.80%,且检测速度没有受到影响。（2）在损失函数方面,针对真实框完全包裹预测框时,预测框的不同长宽比对损失结果的影响,在CIo U（Complete-Intersection over Union）损失函数的基础上修改了长宽比度量指标Vs从而提出SCIo U（Sigmod-CIo U）损失函数,并基于SCIo U损失函数结合上文改进策略做了一系列改进策略组合算法模型,实验结果表明,本文提出的基于SCIo U损失函数改进的YOLOv4算法,比原YOLOv4算法在进行目标检测时的定位精度更高,效果更好,最终的算法模型在TT100K和LISA数据集上分别达到了89.29%和99.60%的m AP值。（3）针对目前轻量化网络在交通标志识别任务中出现的检测准确率不高、定位不准的问题,提出一种基于YOLOv4-tiny的改进轻量化交通标志识别算法。先后提出三尺度优化特征图策略与大尺度优化特征图策略,结合上文改进策略测试不同改进策略组合下的算法模型的性能,实验结果表明,融合了聚类Anchor box、SCIo U损失函数、改进Soft-NMS算法与大尺度优化特征图策略组合后的改进YOLOv4-tiny模型检测性能最好,其在TT100K数据集上的m AP值与Recall值较原始YOLOv4-tiny算法模型分别提升了5.73%和7.29%,达到了52.07%和64.52%;在LISA数据集上的m AP值与Recall值较原始YOLOv4-tiny算法模型分别提升了2.13%和5.20%,达到了93.48%和96.47%。且在本文实验环境下,改进后算法模型的每秒帧率（Frames Per Second,FPS）值维持在100f/s左右,达到了实时性的要求。