随着科学技术的发展和社会的不断进步,人类社会已经慢慢呈现出高度信息化结构。由于信息的多样性以及海量的信息数据,人类自身处理信息的能力十分有限,所以信息化时代已经正快速向智能化的方向发展。因此,时代发展的潮流也带动了智能化交通系统的出现。同时,道路交通标志识别系统作为智能交通系统的重要组成部分,其重要性和实用性已经得到了人们的普遍认可,以至于对道路交通标志进行相关研究有着相当重要的代表性和科研价值。本文主要针对城市中道路交通标志的检测进行了相关研究,首先考虑到室外复杂环境下的交通标志容易受到光照及天气因素的影响导致颜色失真,提出了一种基于多通道Gamma矫正的图像增强方法,分别对RGB空间和HIS空间的颜色空间分量进行增强来改善图像颜色的失真问题。通过实验发现此方法能有效地还原颜色信息,增强图像的对比度,同时通过对比实验发现HIS空间的增强效果好于RGB空间。然后分别利用RGB分量固定差值与HIS色调阈值的方法对交通标志进行颜色分割,并对两种分割做了比较。其次,在对交通标志进行形状检测时,针对不同形状的交通标志采用不同的算法进行检测。针对圆形交通标志采用一种改进的Hough变换进行检测；利用三角形、矩形的几何特征对多边形交通标志进行检测。最后通过实验检验了算法的有效性。最后,对Bag of words模型进行了阐述,从聚类集成的角度研究交通标志检测不变性识别的问题,提出一种基于视觉词汇本集体的交通标志检测方法,该方法在训练图像集的兴趣点集上采用bagging方法来生成不同的聚类成员,从而形成视觉词汇本集体,并将其应用到交通标志的检测中。实验结果表明,该方法能减少交通标志检测过程中算法的人工监督量,通过综合利用多种交通标志的有效信息,并行的学习物体模型,有效的提高检测的效率和准确度。