交通标志识别作为智能交通系统的一个重要研究领域已得到很大的发展,对人们日常行车安全将提供极大的帮助,因此交通标志识别系统的研究具有重要的意义。由于高速公路上的行车速度快,导致汽车的操纵性和稳定性下降。另外,高速行车影响驾驶员对距离的判断以及造成习惯性疲劳。因此,本文选取高速公路这一生活场景,着眼于系统准确性和实时性。交通标志识别系统主要包括图像获取、图像检测和图像识别三个部分。针对高速公路环境特点,为克服噪声对图像的影响,本文首先研究了图像均衡化、图像锐化和Gamma矫正三种增强方法,通过实验对比了几种滤波效果,确定采用中值滤波方法降低高速公路环境下所采集图像的噪音影响。深入分析了HSV颜色空间不同彩色区域特性,提出一种改进的颜色阈值分割算法,实验表明改进的算法具有良好的分割效果。再使用多特征条件,即可将目标区域从图像中分割出来。对分割出来的区域进行一系列的形态学操作,包括二值图像膨胀、平滑、腐蚀、边缘细化等,可以使得目标区域更有利后续形状分析,然后采用基于标记的方法识别已分割出来的形状。通过分析交通标志的颜色特征和形状特征,在形态学的基础上提取出限速标志、合流警告标志、向右急转弯标志等十类图像的Zernike矩特征作为识别依据；基于模式识别的基本理论,建立了相应训练及测试样本库,为了增强网络的泛化能力,训练样本中添加了人为变化角度的干扰样本；设计了三层结构的BP神经网络识别模型,本文在实验的基础上,分析了传统BP神经网络训练误差精度不高、迭代费时等局限性,进一步提出了运用权值直接确定法,设计了一种基于累加的结构自确定网络,实验证明具有更高的精确性和实时性。