交通标志检测技术是高级辅助驾驶和自动驾驶的关键技术,也对智能交通系统的运行起着重要作用。自然场景中交通标志检测存在交通标志目标较小、外界环境复杂多变、干扰因素多等问题;此外,为了保障驾驶出行安全,需要交通标志检测速度快,满足实时行检测的要求。现有解决方法中基于Faster R-CNN等算法检测交通标志时速度慢,基于SSD、YOLO等算法检测交通标志时均值平均精度低。本文针对上述问题提出了基于改进YOLOv4算法的检测模型,并对改进模型采用通道剪枝方模型压缩方法,实现自然场景中交通标志的实时检测,本文的主要工作内容如下:为了增强对交通标志浅层特征图位置信息的利用,本文在4倍下采样位置增加一条输出通道,同时为了增强对交通标志小目标特征的表达能力,提出了在每条输入路径聚合网络（PANet）结构前融合空间金字塔池化（SPP）模块的改进方法,形成有4条预测通道的改进YOLOv4模型。在训练阶段,基于K-means++算法对TT100K数据集的标注框数据聚类得到12个锚框尺寸,提高模型对边界框的检出率;训练样本输入后使用混合图像数据增强（Mixup）算法得到虚拟训练样本进行训练,提高模型的鲁棒性和泛化能力;在损失函数设计层面,使用Focal Loss损失函数作为置信度的损失,缓解由于增加输出像素为152×152预测特征图带来的正负样本不平衡的问题。为了解决改进后的模型计算参数量大、推理速度慢等问题,本文对改进后训练稳定的模型采用了通道剪枝的压缩方法,首先对该模型进行稀疏化训练,采用对BN层系数施加L1正则项约束的方式让模型变得稀疏;剪枝策略采用对剪枝掩码与残差层相连接的卷积层取并集的方式完成剪枝,通过实验确定最优的剪枝比率;最后对剪枝得到模型进行微调训练得到最优的检测模型。实验结果表明该剪枝方法,在均值平均精度mAP略微降低的条件下,模型的参数量大幅度下降,检测推理速度提升约一倍。本文在清华大学-腾讯联合实验室公布的Tsinghua-Tencent100K交通标志公开数据集上进行训练和测试验证,实验结果表明,本文得到的最优模型其均值平均精度mAP达到了94.9%,每秒检测帧率FPS达到了31.28,证明提出的改进模型压缩后能够实现交通标志准确且快速的检测。