近几年机动车保有量大幅增加,造成了许多交通安全问题,引起人们的广泛关注。道路交通标志识别作为智能汽车环境感知的基础以及实现驾驶辅助系统功能的必要条件,对汽车安全性有着重要的作用,同时对实现车辆自动驾驶、完善智能交通系统、推进智慧城市等具有重要意义。道路交通标志识别分为交通标志牌识别与车道线检测两个部分,其中交通标志牌识别又分为检测与识别两个步骤。本文使用YOLOv3深度学习目标检测方法,重新设计模型中的损失函数,实现了更加快速准确的交通标志牌检测;通过在标准的GTSRB数据集中加入了具有典型干扰特征的数据,实现对数据集的扩充与增强,使算法能够对存在运动模糊、遮挡、光照异常等环境干扰问题情况下的道路交通标志牌进行准确的识别,提高了交通标志牌识别算法的抗干扰能力;应用DarkNet-53深度学习图像识别方法,重新设计了模型中的分类模块结构,同时使用具有类别自适应特性的Focal Loss损失函数进行模型的训练,获得了更高的识别准确率与更快的识别速度,实现了准确的交通标志牌识别;针对基本霍夫变换实现车道线检测算法执行时间长、准确性不高的问题,结合概率理论与透视变换方法对霍夫变换进行了改进,实现了快速准确的车道线检测;根据道路交通标志识别系统框架编写了测试软件,实现了完整的道路交通标志识别功能。仿真结果表明,本文算法提高了道路交通标志识别准确率与算法实时性,具有理论研究意义和工程应用价值。