交通标志检测识别是自动驾驶和公路交通资源管理领域的重用一环。而交通标志的检测效果受到目标类别众多、背景复杂等因素影响,导致交通标志检测比通用场景下的目标检测更具挑战性。本文基于深度学习方法,围绕交通标志检测展开研究工作,主要研究内容如下:1.提出的PCDNet模型是基于特征金字塔（FPN）和损失函数改进的目标检测网络,其中使用了鲁棒的ResNeSt骨干网络,使用递归特征金字塔（Recursive FPN）来提高特征图的多尺度信息;改进损失函数和极大值抑制算法（Confluence-DIoU）;在训练阶段,增强数据集并且使用基于随机权重的优化器（SWA-SGD）进行训练。实验结果表明,上述改进方法能够有效提高目标检测算法的检测精度。2.提出的CATNet模型是基于注意力模块和transformer模块改进的目标检测网络。本算法通过插入多种注意力模块,研究空间注意力和通道注意力对目标检测的提升;结合空间注意力模块（SAM）,设计Inhibition-SAM结构来提高小目标检测的精度;使用卷积网络（ResNet）和transformer模块搭建检测网络,达到精度更高的检测要求。实验结果表明,所提出的改进方法能够有效提高检测算法的检测精度。3.基于C/S架构,将PACNet和CATNet两种交通标志检测算法部署在Flask服务框架中。利用以上两种检测算法,实现软件端的数据自动清洗、数据半自动标注和数据自动质检功能。通过PACNet和CATNett算法来解决标注领域存在的数据清洗困难,标注费用昂贵和标注质量差的问题。标注对比实验表明,使用本文所提出的算法进行半自动标注,能有效降低数据标注的难度,提高数据标注的效率。