当前我国社会经济不断发展,汽车的数量也在稳步增长,虽然使国民的出行变得更加便利,但车辆增多也引起了交通拥堵,交通事故频繁发生的现象。其中驾驶人员安全意识不足,易忽视交通指示的信息,导致在行驶过程的误操作是造成交通问题的一项重要原因。而驾驶员对交通信息的漏判断,属于是对视觉图像信息未能准确检测导致。因此如何利用计算机可视化处理技术来高效地识别道路环境中的交通标志信息,减少此类交通事故的发生是一个具有积极意义的研究课题。本文主要对道路场景下交通标志牌的识别技术分析,使用识别算法模型判断指定标志牌的类别信息,来减少日常交通出行的事故发生。论文主要研究内容包括以下几个方面。首先,分析基于卷积神经网络结构的理论,从卷积神经网络组成的网络结构,训练过程展开。并研究现有交通领域的图像识别技术,对比了不同的设计方案,提出本文采取去除候选区域提取特征,而使用基于端到端的算法设计。然后,设计基于端对端的YOLO v3算法实现交通标志牌的目标检测,分析基础网络结构darknet-53,多尺度区域识别特性和特征分类。并采取对损失函数优化的策略,解决网络的预测框数量较多,正负样本数据不稳定而引起类别种类的失衡问题。在原算法测试中出现预测框过多导致最终识别结果出现多个重复框的情况,对非极大值抑制模块NMS进行改进,采用降低的分数目标来代替设定的阈值分数,保留住目标类别得分最高的检测框,保证检测的精确性。随后设置算法模型参数,包含输入尺寸416*416、学习率0.001、迭代次数50万次等。并进行参数调优,对模型的交并比阈值进行调优分析,选择设定0.3的iou阈值来完成模型训练。最终通过实验对比,相较于原YOLO v3的88.6%的精确率,88.9%的召回率,优化后的算法达到89.1%的精确率,89.8%的召回率。接着,对优化的YOLO网络模型进行压缩改进,采取Depthwise+Pointwise的深度可分离卷积来替换基础网络darknet-53中的卷积,将提取的特征图的空间信息和通道信息分开处理来减少参数数量,进而提高了模型的训练速率。并使用FPN的金字塔特征融合的方式,将原YOLO网络中16倍下采样融合后的输出结果进行上采样,与网络输出的8倍下采样结果进行融合,建立8倍下采样的融合特征检测层,实现对图像检测过程中的小区域目标的准确识别。最后,实现系统的功能性测试,使用python语言结合tensorflow的深度学习框架在pycharm编译器上实现。对改进的网络模型与原算法模型在精确率、回归率等指标下分析对比,最终在完成训练后,实验得出压缩改进的模型的平均检测精度m AP为92.4%,较优化后网络的89.5%的平均检测精度提升将近3%,模型的损失值为0.2010,较原YOLO v3算法0.3011的损失值降低了0.1,保证模型的训练稳定收敛。