交通标志在交通管制和事故避免上发挥着重要的作用。尽管交通标志被设计成很醒目的颜色,但在复杂的交通场景中,驾驶员并不总是能够注意到交通标志。而且在行车过程中,汽车需要不断收集和处理周围的环境信息,因此,在智能驾驶系统下,汽车能够准确检测和识别出交通标志的具体语义信息具有十分重要的意义。近些年来,交通标志的检测与识别已成为热点研究课题,同时也有一定的研究成果,这些研究成果给其他目标检测也带来一定的参考价值。在图像中,交通标志属于小目标,因此在实际行车环境下,准确定位并识别出交通标志还是面临着很大的困难。本文主要以交通标志中的禁令标志为研究对象,提出了基于视觉的两种不同方法,分别使用不同的特征对交通标志进行检测与识别。首先,本文从交通标志的特有的表面特征出发,提出了本文的第一个研究方法,即基于超分辨率的方法。该方法首先在交通标志特定颜色的基础上,从图像中分割出红色区域。然后再综合固有的形状和交通标志的大小这两重信息,从图像中定位出交通标志所处的位置。在识别阶段,引入了超分辨率技术提高小目标的图像质量,经过图像重建后,再使用HOG+SVM对交通标志进行识别。最后对该方法的可行性进行了实验验证。结果表明,相比不引入超分辨率技术的方法而言,本文提出的这种方法能够有效识别出小目标,且在大目标上的检测也有一定的成效。其次,本文再从深度学习目标检测与识别算法出发,发现目前YOLO网络对小目标效果并不是很好。针对此问题,本文提出了第二个研究方法,即引入注意力模型的方法。该方法通过引入注意力机制将小目标的检测识别问题转化为大目标的检测识别,能够很好的解决YOLO模型小目标识别问题。该方法主要是通过基于Faster RCNN的注意力模型生成包含目标所在的区域,即注意力区域,然后再使用YOLO网络对生成的注意力区域进行交通标志检测与识别。最后对该方法的可行性进行了实验验证。结果表明,通过使用注意力模型的检测识别方法在检测小目标方面要优于单个YOLO网络。