现如今,道路交通飞速发展,方便人民的同时,伴随的是交通事故的频繁发生。面对这类问题,智能交通也在不断发展,如辅助驾驶、智能识别等系统。交通标志的检测也成为了智能交通领域中的重要板块。随着计算机计算力的不断提升,现已孕育出了很多优秀的基于深度学习的目标检测算法,本文将采用的Faster-RCNN算法就是其中之一。论文围绕该算法模型进行了研究,发现单纯使用Faster-RCNN算法模型依旧存在诸多难题:（a）训练交通标志模型需要大量的数据集作为依托,标注过程繁琐且耗费大量人力物力;（b）虽然日常生活中常见的交通标志较为明显,但在光照强烈和昏暗等情况下会增加检测难度;（c）采集的交通警示牌图像很多会存在模糊目标的情况,即小目标,使得检测比较困难。本文围绕上述问题对交通标志的检测进行了几个方面的深入研究:（1）提出了一种迁移学习之法,将COCO数据集的预训练权重运用在FasterRCNN模型内部。从而通过微调模型,可以节省大量的训练时间以及减少计算机资源消耗,如磁盘占用、内存消耗等。（2）提出了三种SPP结构,分别应用在主干网络Res Net50中,即Faster-RCNNSPP1、Faster-RCNN-SPP2、Faster-RCNN-SPP3,并通过对比分析,确定最优的SPP结构,结合残差网络,在加深了网络的同时,可以保证局部特征和全局特征很好的融合。这样就可以对光线正常、光线强烈及光线昏暗三种情况下的明显交通标志进行检测,获得良好的检测效果。（3）对数据集中图像采取预处理措施,以去除图像中大量的背景信息,这样在检测过程中,可以使得交通标志的显著性更好,且检测难度更低。（4）将Global Context注意力机制融入到Faster-RCNN网络中,使得全局上下文的建模能力更强,从而可以获得更好的交通标志图像感受野,使得网络模型能够从全局的角度理解图片,所以对小目标有良好的检测效果。最终经过消融实验和对比实验分析:本文提出的算法m AP达到了93.95%,充分地验证了本文提出的算法在明显目标、模糊目标等复杂情况下有良好的检测效果。