交通标志检测与识别是高级辅助驾驶系统中的一项重要任务,高级辅助驾驶系统需要提前检测出交通标志的位置和类别,获得其传达的信息,并做出相应的反应,规范驾驶行为,以提高驾驶过程的安全性。目前主流的交通标志检测与识别算法的精度已经到达较高的水平,但是由于深度学习算法延时长、计算成本高等问题,在移动平台部署深度学习算法仍然具有很大的挑战性,所以仍需要对网络进行压缩,从算法上减少网络的参数规模和计算量。本论文的主要贡献如下:（1）针对交通标志检测与识别方法参数量与计算量过大的缺点,采用轻量级卷积模块搭建了一种轻量级的交通标志检测与识别网络,并融合一种轻量级的通道注意力机制,在增加了少量参数的情况下提升了网络的性能;根据交通标志检测任务的特点,提出一种针对小尺寸交通标志的数据处理方式,采用了训练时多尺度、mixup等数据增强策略,能够深入挖掘训练集的信息,在不增加额外推理时间的前提下提升网络的效果。（2）针对剪枝过程中难以选择剪枝比例的问题,提出一种自动阈值搜索的剪枝方式,能够根据不同的目的自动搜索剪枝的比例;为了进一步提升剪枝后模型的性能,提出一种基于非对称卷积的知识蒸馏策略,在训练过程中可以增加学生网络的特征表达能力,而推理时不增加额外的计算开销,进一步提升了网络的性能。本论文采用公开的交通标志数据集TT100K,对不同网络结构、不同的模型压缩策略进行了一系列对比实验,最终本论文提出的模型的mAP为0.913,模型的参数量约5.26M,FLOPs为62.26B。实验结果表明,相较于先进的目标检测算法,本论文设计的算法可以在参数量与计算量更小的前提下,达到与之相似的检测性能,实现小尺寸交通标志的检测。