交通标志的自动检测与识别是当前汽车自动驾驶领域中一个较为重要的研究课题。由于交通标志与汽车乘客和道路交通安全息息相关,因此交通标志的自动检测与识别对准确率的要求极高。此外,提高交通标志自动检测与识别的准确率还有助于提升道路整体的通行效率,有助于形成一个更加高效、环保的道路交通系统。在交通标志自动检测与识别研究的早期,人们普遍采用手工特征的方法来进行相关研究。手工特征的方法虽然取得了一定的效果,但是这些方法需要依靠设计者的先验知识来进行繁琐的人工调参。近年来,随着深度学习技术的兴起,VGG-Net、Res Net等卷积神经网络在图像识别领域的识别效果已经超过传统的手工特征方法,因此研究人员开始研究利用深度学习技术进行交通标志的自动检测与识别。但是外界的天气、样本采集的距离和交通标志自身的损坏等因素会对交通标志自动检测与识别造成较大的影响,使得当前基于深度学习的交通标志自动检测与识别的准确率与实际应用的要求还有一定的差距。为了进一步提升交通标志自动检测和识别的准确率,本文利用深度学习技术开展了以下研究:（1）针对传统检测方法对小目标检测效果不佳的问题,本文提出了一种基于改进SSD模型的交通标志检测算法。首先,在SSD网络中引入特征金字塔FPN算法,将网络深层信息逐层反卷积与前一层网络深度拼接,将高层语义信息和浅层细节信息结合起来,增强特征表达能力,然后,利用Kmeans聚类算法确定默认框窗口大小,得出较为适合于当前数据集的的比例值,提高模型的检测准确率。通过在CCTSDB交通标志数据集上的实验结果表明,改进后的SSD模型m AP达到93.58%,超过了Strong Tiny-YOLOv3、改进Mobile Net2-SSD等前沿的交通标志检测方法。（2）针对于模型在下采样过程中不断损失图像的高层次信息,从而导致特征提取不足的问题,本文对Res Net网络结构进行改进,提出了基于多尺度特征与注意力机制的交通标志识别方法。首先,通过特征融合的方式将模型各个层次的多尺度特征进行融合,丰富特征语义信息,增强网络的特征提取能力。然后,通过注意力机制强化不同通道特征,提升特征整体的表达能力。结合这两种方法提升了模型的交通标志识别准确率。在GTSRB和Belgium TS交通标志数据集上的实验结果表明,所提出方法的准确率分别达到99.31%和98.96%,优于前沿的交通标志识别算法。