摘 要随着社会的进步与经济的快速发展，城市交通拥挤与堵塞现象日趋严重，成为现代城市发展的主要瓶颈之一，交通安全事故亦引起各国社会的普遍关注。在这种情况下，智能交通系统 ＩＴＳ 应运而生，其核心技术涉及模式识别、图像处理、数字信号处理、人工智能、电子技术、信息技术、通信技术和系统工程技术等，是一门综合性技术。目前，各国都在致力于 ＩＴＳ 的研究和构架。　车辆在行驶过程中对周围环境状况的实时收集，可及时的向驾驶员做出指示或警告，以预防事故的发生。这是智能交通系统中安全驾驶辅助系统的一项重要工作。交通标志是架设在车道上方或道路两旁的标识，其目的是为了警示驾驶员前方道路状况的改变或限制某些驾驶行为以保证其它车辆或行人的安全。所以交通标志的自动分割和识别是智能交通系统的重要软件支撑，具有重要的理论意义和实用价值。　由于交通标志的自动分割和识别处理的对象是具有复杂背景的交通标志图像，而且存在交通标志的光照、褪色、变形、污损等问题。目前，基于我国特点的交通标志的分割和识别技术还不成熟，仍处于实验室研究阶段。本文将现代统计学习理论中的支持向量机技术与模式识别技术相结合，提出一种基于支持向量机的交通标志识别方法，为解决交通标志识别中存在的问题和困难找到一条切实可行的解决途径，同时也拓宽了支持向量机应用研究的领域和范围。　交通标志识别的重点和难点在于交通标志的分割、特征提取以及分类识别器的设计。本文在将交通标志从复杂的背景中进行分割的研究中，通过对交通标志外形特点和色彩特征的研究，提出了不受光照影响的基于 ＲＧＢ 模型的交通标志分割方法，该方法可以直接对采集到的图像进行分割，避免了计算量复杂的模型转换，提高了算法的运算效率。特征提取是构造交通标志识别器的前提，考虑到我们最终的目标是要开发出能够满足实时要求且性价比高的交通标志识别系统，所以在交通标志的特征提取中，我们尽量选取能够代表交通标志特点，而且计算简单的特征组成特征向量和样本特征数据库。由于支持向量机的特点以及在模式识别分类中体现出的巨大潜力，本文对统计学习理论和支持向量机原理进行了大量的研究工作，提出了基于支持向量机的交通标志分层识别模型。 I<WP=5>北京工业大学工学硕士学位论文该模型分三个层次分别实现交通标志和非交通标志，三角形、圆形、方形等不同交通标志类型，以及最后具体交通标志的分类，而且该模型具有自组织、自学习、分布处理等特点。对于不能识别或识别错误的交通标志可以进行在线学习，最终实现能够正确、快速识别的目的。