在无人驾驶场景下,交通标识识别问题对于车辆的驾驶管理起到了重要的调节作用。本文针对交通标识识别问题,采用了目前业内先进的SSD算法对需要识别的道路交通标识进行特征的提取,然后识别出图像中三类目标即警告、指示和禁止标识。SSD算法使用底层的特征图进行检测,所包含的语义信息不足,导致原模型对小尺度的交通标识识别较差。针对这一问题本文提出基于特征金字塔的多尺度特征融合策略,利用反卷积将深层特征图进行上采样,然后连接到浅层特征图中。该策略可以丰富特征图中的语义信息,从而有助于提升网络的检测精度。本文使用中国交通标识检测数据集（CCTSDB）对改进的SSD模型进行训练和测试。为了满足需要,对数据集进行了预处理,处理内容包括图像增强和尺寸统一,其中通过图像增不仅可以改善数据集质量还能对数据集进行增广。在训练过程中,出现了正负样本训练不均衡的情况,导致模型经常难以收敛,为此本文针对分类损失函数,引入了权重因子项,该策略可以让模型在训练中自动增大困难样本的损失权重,从而使模型的训练更关注于困难样本,使难例得到充分的训练。模型在测试集的评价指标,验证了该策略的有效性。本文最终形成了一个基于特征金字塔的多尺度融合的SSD算法,该模型相比原始SSD算法在交通标识测试集上提升了识别精度且识别速度依旧能够达到实时,可以满足实际的应用需求。改进后的SSD算法可以增强无人车在道路结构上的认知能力,对于提升智能驾驶的安全性和准确性具有重要的意义。