随着经济与科技的迅速发展,我国开始全面步入汽车时代。虽然汽车的广泛应用便利了民众出行,但从另一角度来说交通系统的压力也越来越大。除了交通堵塞现象更加严重之外,道路安全问题也一直困扰着我们。辅助驾驶系统的诞生,颠覆了传统的驾驶模式,在一定程度上能够帮助驾驶员更好的驾驶汽车,减少因人为失误导致的交通事故。作为交通系统的重要组成部分,交通标志对车辆平稳通行与人民生命财产安全具有重要的保障作用。然而,由于不同道路背景复杂多变,自然场景下的交通标志检测依然面临许多困难。本文针对通用目标检测算法在交通标志检测这一特定任务中存在的不足展开研究,并对不同现象导致模型可能出现的漏检、误检问题做出相应的改进。首先,针对复杂背景下交通标志检测干扰多、辨识度低的问题,在YOLOv5主干网络末端加入坐标注意力模块,以提高模型在特征提取过程中对精确位置信号的捕获能力以及重要特征关注度,减少背景信息干扰。其次,为了避免预测框在训练过程中“四处游荡”而导致网络收敛速度变慢、效果变差,在边框回归损失函数中引入角度成本,降低边框回归时的自由度,加速网络收敛,减少回归误差。然后,为了求得全局信息下的最佳样本匹配策略,将原有的静态标签分配策略改进为Sim OTA动态标签分配,以促进网络正向优化。最后,针对YOLOv5网络结构,提出了一种更有效的多尺度特征融合网络（EHPANet）,通过在主干浅层网络与深层网络之间设计增添了两种不同的信息融合策略,提高模型在复杂背景下的小目标识别能力。为了验证改进算法的有效性,本文在新的中国交通标志检测基准（CCTSDB-2021）上进行消融实验。结果表明,本文提出的模型与YOLOv5s相比,m AP@0.5提高了6.3%,m AP@0.5:0.95提高了5.3%,检测速度达到91FPS,对各种交通场景变化具有更好的鲁棒性。为了进一步验证本文改进算法的有效性与先进性,在CCTSDB-2021数据集上与当前流行的模型进行对比实验,结果表明,本文所提模型不仅取得了最高的检测精度,并且在高精度、低延迟以及轻量化三个维度取得了较好的平衡。