在智能交通系统发展过程中,交通标志的检测和识别是该系统研究的重要内容,它可以给驾驶员和无人驾驶汽车提供实时的道路标志信息,然而在汽车行驶过程中由于光照的变化、标志的尺度变化和模糊等问题给该系统带来了极大的困难,所以研究一个兼顾实时性和鲁棒性的交通标志检测和识别系统成为了智能交通研究领域的热点。因此本文主要从城市道路的图像增强、道路中标志的检测和识别展开研究,主要研究内容如下:针对城市道路图像增强算法容易造成颜色失真、局部信息变少和对比度降低的问题,研究了一种灰度调节和Gamma校正直方图重构的城市道路图像增强算法。首先,利用图像当前值、平均值、最大值以及比例调节系数得到图像的灰度调节系数,对图像进行灰度调节;然后,将单通道直方图所有峰值的均值作为裁剪峰值,对直方图的累积分布函数进行Gamma校正得到单通道增强图像;最后,利用图像三通道灰度值比例关系得到增强图像。实验结果表明,本文算法可以提高图像视觉质量,细节清晰,对比度好。针对因光照变化、对比度低和标志尺度变化等导致城市道路交通标志检测算法精度降低的问题,研究了一种改进RGB颜色空间下IGist特征的交通标志检测算法。首先,在改进的RGB空间下得到NRGB图像,通过NRGB图像的累积分布函数计算阈值对图像进行二值化得到交通标志候选区域;然后,提取图像中候选区域的边界点,采用几何对称方法进一步检测候选区域;最后,利用IGist特征和支持向量机得到真正的道路交通标志的候选区域。实验表明,该算法提高了道路交通标志检测的实时性和准确性。针对城市道路交通标志尺度变化导致系统识别精度降低的问题,研究了一种改进的卷积神经网络实现对交通标志的识别。首先,将输入图像的RGB图像和灰度图像重构组成RGBG图像作为输入图像,然后,对网络逐层进行多尺度卷积并将尺度特征进行融合,作为最后分类器的输入特征,同时,使用Mish激活函数,增加系统的非线性,提高系统对图像的分类能力。最后,经过在数据集GTSRB上进行实验,识别准确率达到98.77%和平均识别时间1ms,有效提高了交通标志识别系统的实时性和准确率。