交通标志对于道路交通安全至关重要。在真实的驾驶场景中,存在光照变化、交通标志的形变、车速等影响,人眼可能会遗漏或错误识别交通标志,导致对前方路况的错误判断,引发交通事故,造成人身财产和车辆损失,甚至威胁生命安全。实时准确的交通标志检测技术作为先进驾驶辅助系统的重要组成部分,能够协助驾驶者保障行车安全,避免危险的发生,在交通安全和自动驾驶等领域具有重要的应用。近年来,深度学习技术的快速发展以及大数据的信息时代为交通标志检测提供了新的手段,基于卷积神经网络的交通标志检测算法实现了重大突破,引起了前所未有的研究热潮。基于深度学习的深度卷积神经网络模型,借助其内部巨大的参数量和多层非线性映射,搭配大型数据集的训练,使模型具备高质量的特征提取和表达能力。但由于参数量和计算量庞大,这些模型对硬件计算能力的要求往往较高,需要搭配高性能服务器,很难在车辆配备的资源有限的硬件平台上实现,难以满足实际应用的需要。本文针对轻量化交通标志检测模型有待解决和改善的问题开展深入研究,探究卷积方式、网络结构、损失函数等因素对检测性能的影响,研究内容主要包括以下3个方面:（1）针对轻量化交通标志检测模型的特征提取网络存在严重的信息丢失导致特征提取能力不足的问题,基于Dense Net提出一种改进的轻量特征提取网络,在具有轻量网络结构的同时保证网络具有良好的特征表达能力。（2）针对轻量化交通标志检测模型对小目标特征学习能力不足导致检测小目标回归率低的问题,提出基于Det Net网络的改进轻量版本,结合增大感受野、特征融合以及优化损失函数的方式,提升模型对小目标特征的学习能力,改进模型的小目标检测性能。（3）针对Mobile Netv2-SSD检测模型在交通标志检测中存在准确性不足的问题,通过多尺度像素特征融合和高效通道注意力机制进行改进,在增加极少参数且几乎不影响速度的情况下提高检测准确性,构建高精度的实时交通检测算法。