道路交通标识标线的智能识别是智慧交通系统和无人驾驶智能环境感知的研究重点。标识标线识别的准确性和实时性是自动驾驶汽车决策规划和控制执行的重要前提。开展基于轻量化深度卷积神经网络的交通标识标线识别系统研究,对提高交通标识标线识别的准确性、实时性及干扰抑制性具有重要的研究意义。本文结合国家自然科学基金项目《高速混行汇流情况下自动驾驶态势感知及仿人化鲁棒决策规划研究》（52072054）的部分研究内容,以提高智能车辆环境感知的准确性、实时性和鲁棒性为目标,研究基于车载视觉的交通标识标线检测与识别方法,并设计交通标识标线智能识别系统。具体研究内容如下:（1）低照度道路标识标线图像自适应校正。针对车辆行驶过程中车载视觉传感器采集到的图像可能存在亮度过低或亮度分布不均等问题,提出一种道路图像亮度自适应校正算法。考虑图像中各区域亮度重要程度设计道路图像亮度判定因子计算方法。依据图像亮度判定因子,设计伽马校正特征指数自适应计算方法,并结合限制对比度的直方图均衡化算法,实现道路交通图像亮度自动判断和校正。（2）道路标识标线轻量化卷积神经网络分割。利用全卷积神经网络对道路交通图像进行像素分割,获取道路图像中交通标志牌、路面指示线、车道线的像素位置。考虑语义分割模型Deeplab V3+模型结构复杂、参数量巨大等问题,将深度卷积模型的主干特征提取网络替换为轻量化的Mobilenet V2模型。以CCTSDB数据集作为标识标线分割模型的原始数据集,制作分割数据标签文件,并通过迁移学习的方法初始化模型权重参数,使该分割模型快速学习收敛。改进后的Deeplab V3+参数量得到极大抑制,且在测试集上的准确率高。（3）道路标识标线语义理解研究。设计轻量级交通标志与路面指示线识别模型（Lightweight convolutional neural network,Lw-CNN）,判断交通标志及路面指示线细分类别。该模型综合了VGG16及Mobilenet V2的优点,极大地压缩模型计算量,提高模型的识别效率。通过形态学方法及轮廓检测的方法获取分割结果中的交通标志牌和路面指示线的图像坐标,利用训练好的轻量级识别模型对提取的结果进行识别。对分割模型得到的车道线结果,进行最小二乘法拟合,并判别左右车道线的虚实情况。（4）道路交通标识标线智能识别系统设计。利用python中的Tkinter软件系统设计库,设计道路交通标识标线智能识别系统。将低照度道路标识标线图像亮度自适应校正算法、标识标线分割模型及语义理解方法嵌入其中,设计开发能实现道路交通图像、视频流及摄像头实时采集等三种输入数据的道路标识标线智能识别。