交通标志识别是汽车辅助驾驶系统和无人驾驶系统的关键问题之一。由于交通标志位于户外,使其极易受到天气、光照等因素的影响。同时,还存在遮挡、视角变化、因汽车运动而造成的图像模糊等问题。因此,大类别集交通标志识别在具有广阔应用前景的同时也具有很大的挑战性。交通标志的预处理、特征提取以及分类器设计是交通标志识别中的关键问题。本文针对大类别集交通标志识别中的特征提取环节进行了深入的研究。论文的研究工作主要包括以下三个方面：(1)方向梯度直方图(HOG)和尺度不变特征转换(SIFT)是目前普遍采用的特征,论文在对HOG特征与SIFT特征研究的基础上,给出了一种改进的融合HOG和SIFT的特征提取方法。该方法提取的特征不仅具有HOG特征因区块直方图统计带来的抗干扰性,而且还具有SIFT特征因主方向匹配带来的旋转不变性。因此,该特征可提高对大类别集交通标志图像的特征表达能力,为标志识别打下基础。(2)为进一步对特征进行优化,本文采用了一种对特征进行二次编码的算法。该算法采用局部稀疏编码(LLC)方式,并针对大类别集交通标志进行了参数优化；在基准空间的选择上,给出了一种将基于样本学习的K-SVD优化基准空间与基于数学模型的离散余弦变换(DCT)基准空间进行级联的多级基准空间。(3)采用上述优化后的特征与支持向量机(SVM)实现交通标志的识别,对58类交通标志,总计2494张图像进行识别,取得了99.20%的分类正确率,仿真实验结果验证了本文方法的有效性。