在21世纪,随着我国科技发展的不断进步,汽车已经成为人们出行的主要交通工具,也成为了每家每户必不可少的日常用具之一,随着汽车行业发展的不断推进和汽车数量的逐渐扩增,城市的交通拥堵也日益增大,同时道路交通的管制也变得越发困难。道路拥堵、事故多发等因素,不仅对交通管制形成了严峻挑战,也同时对驾驶员增加了巨大的压力。道路交通标志物可以起到对驾驶员传递指路、警示、限制等重要信息,可以引导驾驶员安全驾驶,保证道路的顺畅通行,调节道路车辆的流量,减少交通事故的发生等,由此可见在复杂环境条件下道路交通标志的检测和识别在未来会变得越来越重要。对此,本文在查阅了大量的国内外相关领域的文献下,针对复杂环境条件下的道路交通标志物的检测和识别容易受到干扰而展开研究,提出了一种改进的Retinex交通标志图像增强算法和基于改进YOLOv1的交通标志检测与识别算法,本文的具体工作和创新点主要有如下两个方面:（1）通过对图像处理领域的深入研究,提出了一种在交通标志物识别领域应用的改进的Retinex图像增强算法,在传统的Retinex算法中经常存在光照过暗时出现图像模糊不清,图像色彩失真以及雾霾天气图像雾化的问题,本文针对该算法进行改进和优化,使交通标志图像的识别能力有效提高,避免了图像在恶劣环境下过暗、对比度不高,以及图像雾化的现象,并且在边缘、细节以及色彩的保持方面都较优。（2）针对交通标志物识别中的小目标检测方面,提出了一种改进的YOLOv1的交通标志检测与识别算法,在传统的算法中分析其中的优点和缺点,然后在传统的卷积神经网络中加入了卷积注意力机制,利用空间注意力模块和通道注意力模块提高神经网络的检测精度,经试验表明这种方法不仅将检测的平均检测精度提高了3.6%,而且对于交通标志物中相对较小的目标的检测与识别来说,效果也相对优异。