交通标志的检测作为智能交通系统的重要组成部分,与道路交通安全息息相关。因此,如何提高道路交通标志的检测精度和检测效率等是我们现如今的关键研究课题。但是在交通标志样本采集距离较远、天气条件恶劣以及交通标志存在损坏形变等干扰因素下,目前的交通标志检测算法检测效果仍不够理想。因此,本文依托国家重点研发计划（编号:2019YFE0108300）、国家自然科学基金项目（编号:52172379,62001058）,围绕主流检测算法YOLOv4开展研究工作并对其加以改进,使其能够更好的应用到交通标志检测场景。具体研究内容如下:（1）选取样本量大且质量较高的清华-腾讯100K（Tsinghua Tencent 100K,TT100K）和中国交通标志数据集（CSUST Chinese Traffic Sign Detection Benchmark,CCTSDB）作为实验数据集,并扩充夜间与不同天气条件下的交通标志图像,以验证算法的泛化性。此外,引入Mosaic数据增强方法增加数据集中的交通标志目标的样本数量并降低算法过拟合可能性。利用Cut Mix、Mixup以及Mosaic方法对扩充后的TT100K数据集进行数据增强,并在YOLOv4算法上进行训练学习,测试结果表明,利用Mosaic方法增强后算法的平均检测精度均值达到87.7%,对算法训练学习效果有明显提升。（2）针对道路交通场景复杂交通标志目标特征难以提取的问题,构建融合注意力机制的多尺度YOLOv4交通标志检测算法。交通标志目标较小,特征信息较少,在表征时容易丢失。因此,首先借鉴特征金字塔（Feature Pyramid Network,FPN）结构思想在PAN网络中加入自顶而下的连接,在浅层特征中融入丰富的高层次特征信息。此外,在特征提取网络输出检测尺度的三个特征融合层中引入超轻量级子空间注意机制（UltraLightweight Subspace Attention Module,ULSAM）,为每个交通标志特征图的子空间学习不同注意力图,强化交通标志特征信息,减少空间和通道冗余的干扰,提高算法检测精度。最后,引入K-Means++方法根据交通标志目标的尺度进行分析,聚类得到更精准的先验框,进一步提高算法的检测性能。实验结果表明,与不同主流检测算法相比,该算法在两个实验数据集上均有更优越的性能表现,能够出色完成交通标志检测任务。（3）为了改善现有交通标志检测算法大多网络参数量大,训练时间较长,算法的实时性不够理想的问题,提出一个轻量级Ghost Net-YOLOv4交通标志检测算法。首先,引入轻量级网络Ghost Net作为YOLOv4主干网络,通过简单线性变换得到丰富的交通标志目标多通道特征图,降低特征几何变化影响,减少网络参数和计算量。此外,引入深度可分离卷积替换PAN网络中的普通卷积块,构建DSConv-PAN结构,进一步实现网络规模的缩减,提高算法的实时检测速度。在两个实验数据集上对算法的实时性以及检测准确性进行定量与定性分析,实验结果表明,与不同轻量级算法相比,Ghost NetYOLOv4算法在具有较高实时性的同时,能够以更高的准确性对交通标志进行检测与分类。