交通标志检测是智能车有关的关键技术之一,准确、实时地获取交通标志信息有助于减少或避免交通事故发生。常规的交通标志检测方法检测效率难以进一步显著提升,而深度学习方法往往具有强大的特征表征能力,在交通标志检测领域具有广泛的应用潜力。开展基于深度学习的交通标志检测方法研究具有重大理论和现实意义。针对交通标志目标检测问题,本文设计并实现了一种基于窗口大小聚类和多尺度特征融合的SSD(Single Shot MultiBox Detector)深度神经网络方法。首先,开展了交通标志检测基准数据集的调查研究,并对选定的数据集进行增广预处理,改善样本多样性。然后,提出了一种改进的SSD模型,该模型将原始SSD模型中的VGG16基础网络替换为更深的ResNet50残差网络,以改善特征表征能力;采用K-均值聚类算法取代盲目搜索机制,确定SSD中默认窗口的大小;引入多尺度特征融合机制,综合浅层的高分辨率特征和深层的语义特征共同用于决策。进而,系统地开展Faster R-CNN、FPN、原始SSD模型和本文方法检测性能比较实验研究。针对德国交通标志检测数据集,本文方法获得97.96%mAP(mean Average Precision)和每幅图像0.080s的检测速度;针对中国交通标志数据集,本文方法获得92.37%mAP和每幅图像0.085s的检测速度:表明所提方法获得了改善的检测性能,具有一定的先进性。本文工作主要有以下两个方面:1.开展了交通标志检测基准数据集的调查研究,针对样本不均衡问题,通过增加噪声和改变颜色成分占比实现数据增广。2.综述了卷积神经网络、残差网络、SSD模型有关的基础知识,分析了上述模型用于交通标志检测的优缺点,最终提出了一种改进的SSD模型,该模型能够综合残差网络、K-均值聚类、多尺度特征融合的优势,与Faster R-CNN、FPN、原始SSD等模型系统地进行实验比较,结果表明,所提模型能够获得改善的检测性能。