交通标志检测是自动驾驶和辅助驾驶技术中不可避免的难点。随着深度学习的崛起,很多科研人员使用深度学习来提取较为鲁棒的特征,使用基于深度学习的检测算法来解决交通标志检测的问题。然而,在目标检测中目标相对于全图尺寸较小的情况下,大部分检测算法的检测效果并不优秀。而自动驾驶的路况场景复杂,交通标志很多情况下是一个图片中的小目标。因此,需要针对交通标志检测的小目标场景进行改进。本文的工作基于交通标志数据集Tsinghua-Tencent 100K,简称TT100K。这个数据集是清华大学和腾讯公司联合收集并制作的。该数据集包含大量具有小目标交通标志的自然场景。但是该数据集同样存在一些类别不均衡的缺陷,因此,本文对该数据集进行了增强和扩充,使用从网络搜集或自行采集的合适的数据进行标注来扩充数据,使用交通标志模板来补充样本个数偏少的类别的样本数量,实现类别均衡化。本文主要基于YOLOv3检测算法进行交通标志检测,并且针对小目标检测提出了两种主要思想。第一是使用超分辨率对图像进行超分辨率重建,第二是改进YOLOv3所进行预测的特征的尺度。具体地讲,因为小目标在图片中所占的比例较小,画面相对模糊,导致语义信息丢失较多,影响检测效果。因此,本文提出在检测之前对输入图片进行超分辨率重建,提高存在小目标的区域的分辨率,增加了小目标交通标志对象的语义信息,从而提高检测精度。此外,本文对于YOLOv3算法本身进行了改进,使用比原始算法更底层且尺寸更大的特征来进行更精细的检测。但是增加图像的分辨率会对检测时间会产生负面影响,为此,本文还设计了一个目标判定网络,通过结合图片分割策略,排除大量不存在交通标志的区域,减少了运算量。同时,本文方法的超参可以进行调节,进行运行速度和检测精度之间的权衡,还针对目标被切分问题改进了切分方式和NMS策略,成功地避免了目标被切分时的重复检测和漏检问题。本文基于上述方法,利用超分辨率和大尺度特征预测思想,在TT100K数据集上进行了详细的实验。经过实验证明,超分辨率思想成功增加了尺寸较小的交通标志的语义信息,同时提高了小目标检测的检测效果。最终,本文提出的针对小目标交通标志的检测方法整体在实验数据集上取得了较高的评价指标,获得了优秀的检测效果。