近年来,随着社会发展的越来越迅速,人们对于汽车的需求日益增长,所以,如何加强汽车的驾驶安全性成为了近年来各大车企研究的主要目标。其中交通标志对于驾驶安全性方面起到了至关重要的作用,准确并快速的识别交通标志不仅能为汽车智能化给予动力,也能够在一定程度上避免驾驶员错过重要交通信息。在现实生活中,汽车中的智能系统如何正确识别交通标志并做出决策是亟需解决的难点问题。因此通过对图像预处理方法、YOLOv4网络以及注意力机制算法进行优化改进,设计了一个应用于汽车系统的交通标志检测算法,具体在以下三个方面进行研究:（1）在YOLO系列网络进行交通标志检测时,对小尺度的交通目标的检测性能差,究其原因是数据集在预处理过程中被处理成信息不完整的数据集,所以提出一种图像预处理单元,主要包含主动裁剪、颜色空间变换和直方图均衡化三种操作,对输入网络的交通场景下的图片进行预处理操作,再送入神经网络进行训练,最终使交通标志检测算法鲁棒性更强,经过对比实验发现,图像预处理单元加入后比无图像预处理单元时在交通标志数据集TT100K上的检测精度提升了5.19%,并与其他主流目标检测算法对比,其性能均高于其他网络。（2）针对无人驾驶背景下交通标志检测算法检测精度低,速度慢的问题,提出一种基于YOLO v4改进的小尺度交通标志检测算法。首先将主干特征提取网络的部分Resblock＿body残差结构删去,去掉了SPP特征金字塔池化结构,用来减少网络层级结构,提升计算及训练速度;然后在加强特征提取网络前加入ATT-block注意力模块,用来提高网络对于小目标的感受野;最后通过对Anchor box的新型聚类算法得到更优的Anchor值以及对损失函数的计算提高对交通标志的识别精度。实验结果表明改进后的网络比初始网络m AP提高3.2%,检测速度提升到60FPS。（3）将图像预处理单元、目标检测算法改进进行了融合,实现了一个小尺度交通标志实时检测算法IPU-YOLO v4s,在实际实验过程中发现融合后的网络比原始网络在小尺度交通标志数据集上的检测精度提高了6.23%,FPS达到60,并对实际应用场景时的图片进行了高斯滤波等预处理操作,描述了无人驾驶应用场景下的交通信息决策过程。