交通标志作为一种使用相应的符号、文字且具有不同的背景颜色来对路面交通参与者进行引导指示、限制、警告的路面设施。它在交通系统中是重要的组成部分之一。一旦驾驶员或相应自动/辅助驾驶系统因实际交通场景的复杂性或是受恶劣天气的影响,而忽略了相应的标志—尤其是重要标志。轻则会导致违反相应的交通法律法规,重则可能造成相应的交通事故,从而导致人员伤亡及财产损失。所以重要交通标志识别是目前热门研究领域—智能交通系统中的重要一环,其不仅具有较为重要的学术意义,还同时具有较高的社会经济价值。但是由于具体环境的复杂性,及近年来不断严重的雾霾现象,所以对交通标志识别提出了更高的要求。同时在实际应用环境中面对干扰时的宽容性和适应性要求也会有所提升。本文经过对以往算法的研究、比较、总结及改进,针对雾霾天气这一特定天气环境提出了先对采集图像进行快速去雾。然后对去雾后的图像在HSV色彩空间内进行交通标志的分割,最后通过卷积神经网络进行识别的雾天交通标志识别的这一算法过程,从而成功提高了雾天交通标志识别的准确率及识别速度。本文所做的工作主要如下:(1)针对雾霾天气环境下相应识别算法无法直接有效的定位、分割、识别交通标志,本文提出先对图像进行去雾操作同时进行图像增强。而大多数去雾算法的初衷为对真实图像进行还原、重建。故对图像整体还原效果要求较高,算法耗时较长。而本文着眼于交通标志这一特定对象,且识别部分采用了改进卷积神经网络,其对输入数据的质量要求远低于传统方法。且图像中其它对象的还原情况对本文来说是不作关心的,故本文提出了一种改进的去雾算法。这种算法的计算量更小,同时能提供符合后续过程处理要求的图像。同时优化了标志的定位,分割过程,将得到的结果作为后续卷积神经网络的输入数据。(2)提出一种改进卷积神经网络的设计。这种设计优化了网络结构,针对分类识别任务的特点在网络中使用了升维卷积层。在不大量增加参数的情况下加深了网络结构。同时提出了针对整个定位、识别过程的优化方法,提高了定位分割及网络识别分类的准确率。同时使用了中国实际道路环境中所采集的数据对网络的实际能力进行测试,并设计了有雾组及去雾组的对照实验。实验结果证明了本文方法能取得更高的识别准确率。