近几年来,在我国社会经济飞速发展以及道路中的交通运输网络快速发展的环境背景下,自然环境道路中行驶的车辆数量也出现井喷式的增长。人们越来越重视道路交通中的行驶安全。在智能化的交通背景下交通标志识别系统是极其重要,并且在各个领域已经被广泛应用,例如近几年比较热门的自动辅助驾驶。在现实环境道路上进行自动驾驶,意味着采用的交通标志识别系统必须能够快速准确的捕捉到交通标志。然而实际道路的环境因素非常复杂。针对交通标志识别准确率高和实时性能好的系统都在不断地研究中。通过大量学术文献资料阅读,本文主要根据有关深度机器学习技术中的卷积神经网络进行了运动检测、辨认、识别等与机动车辆驾驶安全性的研究的重要内容。具体工作包括:（1）提出了一种对LeNet-5网络模型改进的识别方法,传统的模型训练时参数的计算量很大,导致实时性不高,而且交通标志种类比较多,训练后的网络会出现交通标志的识别精度不会很高。本文在传统的LeNet-5网络的基础上先采用HOG特征提取与SVM分类器结合的方法对交通标志进行相应的大类划分。之后优化了网络模型中额外层的结构,将多个全连接层改为一个全连接层,在考虑到算法的实时性前提下,减少了对于网络中各层参数的计算量。达到网络模型加速收敛的目的。（2）创建了一种改进的交通标志识别网络模型。结合Inception和ResNet残差网络模型的特点,最终构建了Inception-ResNet网络模型。一方面利用Inception网络模型中的inception模块能够提取到更加细致的交通标志特征,并且网络中所采用的inception模块中都会带有线性激活的1×1卷积层,达到扩展特征提取通道数。另一方面由于ResNet残差网络的传播机制的特殊性,能够避免网络在训练中出现梯度消失的现象。在公开的数据集GTSRB上对该方法选取两种不同尺寸的卷积核进行实验。结果表明,该方法在卷积核尺寸为3×3的网络模型上得到了99.24%的识别准确率。是一种快速有效的交通标志检测识别网络模型。