交通标志识别是智能交通系统的重要功能之一,在无人驾驶、智能机器人等领域也具有广泛的应用。与一般的目标识别相比,真实自然场景下的交通标志易受光照、遮挡、天气、拍摄角度和距离等因素影响,干扰到识别结果。传统交通标志识别方法采用手工特征,结合分类器对交通标志进行识别,但手工特征的表达能力和鲁棒性不够理想。基于深度卷积神经网络的交通标志识别算法可以从训练数据中实现无监督地提取特征,但移动计算设备很难满足大型卷积神经网络对计算资源和存储空间的需求。本文分析了目前一些深度网络压缩算法的优缺点,深入研究了卷积神经网络的基础理论知识,在现有的卷积神经网络模型上进行改进并压缩模型的参数量,提出了适用于部署在资源受限设备上进行交通标志识别的网络结构。本文主要工作如下:(1)经典卷积神经网络模型AlexNet和VGG16的参数量过多,难以移植到车载计算系统进行交通标志识别。首先在GTSRB数据集上挑选原始VGG16和AlexNet进行交通标志图像分类训练;接着对网络模型进行基于泰勒展开的通道剪枝,裁剪冗余的特征通道;然后使用三值量化方法对剪枝后的网络模型进行参数量化;最后分别比较了通道剪枝、参数量化、组合压缩的实验结果。实验表明,组合压缩算法有效地压缩了网络模型,减少了运算次数,并在GTSRB数据集上取得了较高的识别精度。(2)在知识精馏框架下,设计了两个轻量级的卷积神经网络结构,将第一个深层网络模型作为教师模型,第二个浅层模型作为学生模型。教师模型主要由四个新型模块组成,在CIFAR-10数据集上取得了较好的识别率,新型模块利用多个并行的1×1和3×3卷积核,并使用密集连接来融合不同层之间的特征。学生模型是由五个卷积层和一个全连接层组成的端到端结构,通过知识精馏,学生模型能学习到与教师模型近似的函数映射,而模型的参数量更少。然后依据BN层中趋于零值的缩放系数来裁剪学生模型中的冗余特征通道,进一步压缩模型的参数量。在GTSRB和BTSC数据集上的实验表明,学生模型能取得优于教师模型的识别效果,与主流的交通标志识别方法相比,学生模型的结构更紧凑,且具有出色的识别性能。