为保障交通系统的运行安全与运行效率,20世纪80年代起,美国、日本及西欧等国家开始研究智能交通系统(Intelligent Transportation System,ITS),交通标志的检测与识别系统(Traffic Signs Detection and Recognition System)作为ITS研究的一个重要的分支领域,通过确定交通标志的种类和位置,给系统或驾驶员提供实时的道路标志信息,在无人驾驶车辆(包括军事应用中的无人驾驶战车、危险场景下的无人作业车辆)、智能机器人、辅助驾驶系统等方面都具有广阔的应用前景。本文主要研究自然环境中交通标志的快速检测和识别算法,共分为标志检测和标志识别两个部分。针对感兴趣区域的确定和交通标志检测问题,提出了基于高斯颜色模型和SVM的交通标志检测算法。首先分析了现有的RGB、HSV、YCbCr等颜色空间在进行目标检测方面的优缺点,考虑到YCbCr颜色空间颜色聚类效果好,并具有亮度和色度分离的特性,统计标志颜色的Cb分量和Cr分量的分布,将其近似表示为二维高斯分布,建立高斯颜色模型,使用该模型检测得到交通标志的粗分割图像；然后使用对光照变化和尺度变化不敏感的方向梯度直方图(Histogram of Oriented Gradient,HOG)构成目标特征,送入支持向量机(Support Vector Machine,SVM)训练分类器。最后,采用基于HOG特征和SVM相结合的方法对粗分割的标志图像精确检测,确定其所属形状。针对标志的识别问题,分析了两种目标识别中常用的分类方法并对其识别精度和准确度进行比较,本文采用训练速度快,实现比较简单的极端学习机(Extreme Learning Machine,ELM)神经网络分类方法。训练特征还是选择HOG特征,对训练样本集用主成分分析(Principal Component Analysis,PCA)法降维。本文的主要工作是在现有的标志检测识别算法基础上进行了一些探索和尝试。实验结果表明,本文的算法有较优的稳定性和准确性,对于部分遮挡、光照等不良情况也有较好的效果,基本满足了实际应用的要求。