随着智能交通系统的迅速崛起,交通标志检测已经引起计算机视觉和智能交通领域的广泛关注。在实际道路环境中,检测远距离标志面临检测目标小,分辨率低的缺点,以及交通标志极易受到恶劣天气、障碍物遮挡造成的缺少信息。针对交通标志图像信息缺失问题,本文以改进Faster R-CNN检测器为基础,生成包含小目标交通标志的候选区域,结合生成对抗网络的目标检测算法实现对候选区域内小目标的交通标志超分辨,从而提高检测性能,进一步提高驾驶的安全性。论文首先基于候选区域的神经网络检测模型,分析了R-CNN、Fast R-CNN、Faster R-CNN深度学习检测算法,选取Faster R-CNN检测算法为基础,对不同特征提取网络结构进行分析,针对不同的特征提取网络对交通标志检测效果进行实验验证,确定了基于Faster R-CNN+Res Net-101的交通标志检测模型;候选区域生成网络针对本文期望检测的小目标交通标志尺寸,设置合适的锚点数量,经过实验验证改进的Faster R-CNN检测模型与原始模型相比检测效率得到了提升。其次,针对小目标交通标志分辨率低,缺少有效信息造成的漏检、误检的问题,本文以改进的Faster R-CNN检测器为基础,结合生成对抗网络的目标检测算法实现对小目标的交通标志检测,主要通过Faster R-CNN检测器生成包含小目标的候选区域,结合生成网络对候选区域中的模糊小目标进行上采样,生成高分辨率图像,使用分类损失函数与回归损失函数对判别网络进行改进,进一步提高了生成图像的精度及增加了对目标的检测能力。最后,针对本文改进的生成对抗网络对小目标交通标志超分辨重建性能进行实验,实验结果与SRGAN相比,本文改进的生成对抗网络对于小目标生成的图像细节更加清晰。针对本文提出的模型与其他最新交通标志检测模型对小目标交通标志数据集进行检测实验,实验结果表明,应用Faster R-CNN和生成对抗网络相结合的检测算法,可以提高小目标交通标志检测性能。