交通标志具有向驾驶人员提供道路有效信息的重要作用。交通标志检测与识别系统可以为交通部门提供信息,有助于实现道路交通标志的维护。交通标志检测与识别系统作为高级驾驶员辅助系统和自动驾驶系统中的一项重要的子任务,如何权衡交通标志检测与识别的准确性和实用性仍是该领域研究的难点和重点。为此,本文对真实环境下国内交通标志的检测与识别进行研究,改进算法,提高网络的准确率以及真实环境下的适用性。本文主要工作如下:本文对脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）进行改进。作为单层神经网络模型,PCNN网络可以直接用于分割、检测等图像处理,实时性较好。本文提出 了参数可调的 MSPCNN（Parameter-adjustable Modified SPCNN,PA-MSPCNN）模型的方法,并将该模型应用于交通标志检测。本文改进了模型的各个神经元之间的连接强度和连接权重放大系数,并且增设一个辅助参数,结合神经元的动态特性,改进了该模型的内部活动项和动态阈值。在TT-100K（Tsinghua-Tencent 100K）数据集上进行检测,验证了该模型的准确性。由于简化脉冲耦合神经网络（Simplified Pulse Coupled Neural Network,SPCNN）模型用于检测时,若图像边缘像素邻近相似,会使检测出的图像在细微部分拟合效果不完整,影响检测效果。针对上述问题,本文提出的检测算法结合了人眼视觉特性中的侧抑制网络和SPCNN网络,能获得更加精细的检测效果。侧抑制网络的抗噪性性能较差,通过在侧抑制网络中引入度量因子,有效地提高了网络的抗噪性能。经过在TT-100K数据集上测试,验证了所提出的方法在光照不均、交通标志形变等不同真实环境下具有很强的适用性。传统的神经网络存在计算量过大以及模型复杂难以应用的实际问题,因此本文采用深度可分离卷积替代传统的卷积层。利用1×1逐点卷积对特征融合,大大降低了网络的计算量,便于在实际自动驾驶或嵌入式平台中使用。本文以MobileNetv1网络为基础,采用TT-100K数据集仿真测试方式,用准确率、损失以及参数量对交通标志分类识别进行评价,统计最终的识别结果,得到了 92.55%的识别准确率。