交通管理及交通安全问题正受到人们越来越多的关注。在此背景下，智能交通系统的概念应运而生。智能交通系统将信息、通讯、控制及计算机等技术有效集成于现有交通运输管理体系，从而建立起一种安全、高效、可靠的综合运输管理系统。作为智能交通系统的一部分，交通标志识别系统在驾驶辅助、交通标志维护、自动驾驶等多方面具有重要作用。然而，真实交通场景复杂多变，光照条件、天气条件、局部遮挡、背景色相似干扰、阴影干扰等问题使交通标志识别系统的研究远未达到成熟。针对这种情况，本文对恶劣天气下的图像复原、交通标志检测、交通标志分类三个方面展开了研究。首先，本文研究恶劣天气条件的图像复原问题，提出了一种基于平滑区域分割的雾、霾、沙尘天气图像复原算法。由于交通标志识别系统通常需要在室外环境下工作，要能够适应雾、霾、沙尘等各种恶劣天气条件。本文通过对现有的几种复原算法的分析，指出了现有算法的内在联系及不足，并在暗通道假设算法的基础上，提出一种基于平滑区域分割的图像复原算法，解决了原算法复原天空区域失真、白色物体偏暗、光晕抑制不足等问题。实验结果表明，本文算法能够显著提升雾、霾、沙尘等天气条件下的图像的清晰度，从而提高交通标志检测及分类的准确率。其次，本文对交通标志检测问题进行深入研究，并分别基于颜色、形状、模板特征提出三种有效的交通标志检测算法。交通标志检测的任务是从输入图像找出所有包含交通标志的区域。本文提出的基于颜色的检测算法针对禁令标志的特点，通过检测图像中的红色圆孔定位标志区域，有效解决了背景色相似及多标志相连等问题；基于形状的检测算法通过检测图像中的椭圆定位圆形标志，利用文中提出的基于有序合并的椭圆检测算法实现了快速、准确的圆形标志检测；基于模板的检测算法采用多分辨率滑窗架构，将检测过程分为小窗粗筛选和大窗细筛两个步骤，实现了任意颜色、形状交通标志的高准确率检测。实验结果表明，三种算法均有较高的检测准确率，能够适应恶劣光照、遮挡、旋转等多种不利条件。接下来，本文针对交通标志分类问题，提出一种基于支持向量机的逐级细化的分类算法。交通标志分类的任务是分析包含交通标志的区域，并判断区域中标志的具体类别。本文通过研究现有的标志分类算法，指出影响分类正确率的主要原因，并在此基础上提出一种逐级细化的分类算法。算法首先将交通标志粗分为若干大类，而后针对各类的特点对标志进行形状校正，最后对校正后的标志细分类得出最终结果。实验结果表明，本文算法的分类正确率高于现有其它算法，对多种不利条件具有良好的适应能力。最后，本文面向体积、功耗受限的车载环境，研究交通标志识别系统的嵌入式实现问题，并基于FPGA(Field Programmable Gate Array)设计其中运算量最大的两个模块：向导滤波器及交通标志检测模块。其中向导滤波器用于图像复原，本文基于积分图像方法设计了一种高效、灵活、低延迟的VLSI(Very Large Scale Integratio n)结构，对640×480图像的检测速度达到300帧/秒，且不需要片外存储器；交通标志检测模块通过挖掘圆霍夫变换的局部化特点，充分利用FPGA的并行能力，实现了禁令标志的高速、高准确率的检测，对640×480图像的检测速度达到374帧/秒。本文提出的交通标志检测算法参加了2013年举行的德国交通标志检测竞赛(German Traffic Sign Detection Benchmark, GTSDB)，并取得了两项第1、一项第3的好成绩，详细结果见3.6节。本文提出的交通标志分类算法在德国交通标志分类数据集(GermanTraffic Sign Recognitio n Benchmark, GTSRB)上的分类正确率达到了99.52%，是目前该数据集的最好成绩。