交通标志作为交通信息的重要组成方式,包括了车道限速标志,车道方向标志以及车道警示提示等交通信息交通标志,已经成为了无人驾驶技术重要的组成部分,针对交通标志的识别研究受到了人们的关注。交通标志可以辅助驾驶员减少驾驶过程当中的压力,降低交通事故发生的概率也是辅助驾驶系统的核心要素,随着科技的进步和发展,针对交通道路标志的识别研究,提出了更高的精度和效率要求。本文通过基于深度学习的方式来对路标识别问题进行研究,设计实现了交通路标的自动识别系统。针对已有的图像识别的精准度的问题,本文提出了基于Faster R-CNN网络的交通标志图像检测方法,该方法采用高效的Faster R-CNN网络,在检测过程中降低检测时间。该方法通过区域生成网络与快速卷积网络共享卷积层计算,使区域生成网络可以做到几乎没有计算代价,实现了一个统一的、接近实时的深度学习物体检测系统,基于改进卷积神经网络的路标检测。论文收集了测试使用的数据集,给出了目标检测的衡量评估指标。对路标图像的预处理进行了分析,包括了图像增强算法以及实验结果的分析。并给出了Faster R-CNN的路标检测框架,针对Faster R-CNN的路标检测模型进行了改进。针对交通标志图像在人工设计来提取图像特征而不能充分反映原始图像特征所导致的识别率低的问题,本文给出了一种基于改进Le Net-5网络的交通标志图像识别方法。最后实验证明该改进方法在召回率、精确率、F-score等评价指标上,都有较好的表现。将改进的交通标志图像识别方法应用到智能路标识别系统中,基于软件工程的思想进行了智能路标识别系统的设计与实现,首先从系统的功能需求和非功能需求两个方面对系统进行分析,在此基础上进行系统的设计与实现,最后通过对系统的测试来优化迭代系统的功能,确保系统上线之后能够稳定运行。