交通标志识别是自动驾驶技术和智能交通系统的重要组成部分,对于改善人民生活、有效防止交通事故的发生有着重要的意义。近年来,随着人工智能大潮的到来,交通标志识别的研究成为了计算机视觉、模式识别、深度学习领域的一大研究热点。而交通标志识别的关键就是如何正确地提取交通标志感兴趣区域和对交通标志进行分类。由于传统的交通标志感兴趣提取算法对于天气敏感,且易背景的干扰,所以本文中引入了一种新的感兴趣区域提取算法以及二级分类,取得了较好的效果。主要研究内容如下:1.基于传统的交通标志感兴趣区域提取算法的颜色分割算法进行了实验,验证了传统方法在某些情况下的可行性。2.提出了将SS算法引入交通标志感兴趣区域提取中,并且基于颜色通道和最小分割阈值对SS算法进行了改进。通过实验验证了将SS算法中的RGB通道换成HSV通道,能够更好地适应多变天气下交通标志的提取,表明了改进后的有效性;基于清华-腾讯数据库,找到了提取效果较好的最小分割阈值。用改进后的SS算法与传统的交通标志感兴趣区域提取算法来提取交通标志感兴趣区域,实验结果表明了 SS算法的优越性。3.采用了交通标志二级分类方法,先进行正负样本的分类,再进行交通标志类别的分类。实验结果说明了第一级分类采用HOG+SVM分类方法,第二级分类采用LeNet5模型的优越性。4.提出了使用小的卷积核组成的卷积核组代替大的卷积核这一方法对Lenet5进行改进,得到了很好地分类效果。在改进的LeNet5基础上进行了参数的优化和数据集的扩大,实验结果表明了其有效性。