随着国家经济的发展,汽车逐渐走进每家每户,交通安全问题也随之成为研究的热点。驾驶辅助系统的出现很大程度的缓解了交通安全问题带来的危害,它不仅可以在司机驾驶时进行帮助,尽可能的避免因为司机不小心而导致的交通安全问题,还可以在刹车、倒车以及停车时全方位的对司机进行辅助,极大程度的缓解了司机驾驶时的压力并提高了安全性。而交通标志识别技术作为驾驶辅助系统中的一项关键技术,可以提醒驾驶员道路前方存在的交通标志,使驾驶员提前做好准备。本文针对交通标志识别算法存在的精度不足、速度较慢以及模型较大等问题展开研究。对传统交通标志检测识别方法的预处理阶段进行改进,将伽马矫正与限制对比度的自适应直方图算法结合,减少光照因素对交通标志识别的影响,实现白天夜晚全时段的交通标志检测识别。对基于深度学习的YOLO系列算法进行分析,最后选择将YOLOv5s算法作为本文后续工作的模板算法。对YOLOv5s算法的坐标损失函数和非极大值抑制算法进行改进。首先改进YOLOv5s算法的坐标损失函数,使用EIOU损失函数代替YOLOv5s算法所使用的GIOU损失函数来优化训练模型,提高算法的精度,实现对目标更快速的识别;然后使用加权Cluster NMS改进YOLOv5s本身所使用的加权NMS算法,提高生成检测框的准确率。针对交通标志检测算法模型较大,检测速度较慢等问题,对轻量级神经网络Mobile Netv1和Mobile Netv2以及Ghost Net进行对比,最后选定使用轻量级网络Ghost Net对YOLOv5s算法的网络结构进行改进,并加入CBAM模块,设计YOLOv5s-GN-CBAM网络,在不降低算法精度的情况下,实现算法的轻量化。因为Ghost Net非常适合使用在移动端,所以改进后的算法很适合用于驾驶辅助系统这种实际应用场合。并通过python中的pyqt库设计交通标志检测识别系统,更直观的展示算法对交通标志的检测效果,模拟在现实场景中对交通标志的检测与识别。在实验过程中使用CCTSDB交通标志数据集,结合自己拍摄的交通标志图像制作成为本次使用的数据集。实验结果表明,改进后的YOLOv5s算法训练后的模型的m AP值达到了84.35%,比原始的YOLOv5s算法提高了6.23%。此外实验证明YOLOv5s-GN-CBAM网络在不降低检测精度的情况下减少了训练模型的大小,参数量减少,适合应用于如驾驶辅助系统的移动端中使用。