伴随着城市道路的交通压力和人们对高科技生活的追求,智能驾驶系统一直是重要的研究内容,作为该领域的重要分支之一,交通标志检测技术的研究也同等重要。现如今的交通标志检测主要面临着检测对象目标小、检测场景复杂、实时性检测差等挑战。对于这些问题,本文选择以卷积神经网络为工具来进行研究。为提高特征的学习能力,本文以基础的检测网络为框架,并加强特征提取的深度,通过不同尺度特征融合和多级预测来提高特征的利用率。对于检测实时性差的问题,本文采用单阶段目标检测方法。本文的主要内容为:（1）对于道路中交通标志检测存在的检测对象目标小、自然环境干扰等问题,提出了基于FCOS算法改进的多尺度特征融合的检测网络——FCOS-t网络。选用FCOS算法为框架,在主干特征提取网络中引入了注意力模块CBAM,并引入模型效果更优的Swish激活函数。在特征加强网络中进行轻量级的多尺度特征融合。根据交通标志的场景特性,有效删减了FCOS原算法对模糊样本的处理,减少了检测网络的部分冗余。实验结果表明,在TsinghuaTencent 100K数据集上,和其他交通标志检测算法进行了实验数据的对比分析,证明了FCOSt网络的有效性。（2）为了实现交通标志检测在智能驾驶系统的工业落地,提出一个响应速度快的轻量化网络模型——m-YOLOX网络。该网络以YOLOX算法作为框架,采用更轻量化的Mobile Net V3网络,将Mobile Net V3的有效特征层来替换原算法中的CSPDark Net的特征层,并使用深度可分离卷积来代替YOLOX中的普通卷积,以此来减少网络模型的参数量。最后将m-YOLOX网络改进前后的算法在Tsinghua-Tencent 100K数据集上进行对比实验,证明了该网络的可行性和有效性。（3）根据FCOS-t网络模型和m-YOLOX网络模型的应用场景,分别导入FCOS-t模型和m-YOLOX模型,设计了一个便于操作的交通标志检测平台系统。详细介绍了系统的框架和操作流程,并对操作平台系统的图片检测功能和实时视频检测功能的实现做了详细的分析,最后,对检测平台的不同功能进行测试,并通过可视化页面展示操作结果,证明了系统操作的可行性。