在交通图像识别领域,使用卷积神经网络（Convolution Neural Network,CNN）进行图像分类是主流手段,神经网络的设计决定着图像分类效果的好坏。传统的手工设计神经网络方法较为常用,但是过度依赖专家经验,需反复调参。当前的进化神经架构搜索方法采用进化算法来演化网络的结构、权重和参数等,能自动设计神经网络。因此,为了设计一个符合应用需求的交通图像分类网络,本文对进化神经架构搜索展开了深入研究:（1）总结了交通图像分类的主要方法,包括基于机器学习的方法和基于深度神经网络的方法,并对神经架构搜索的国内外研究现状进行了调研;对卷积神经网络的发展、神经架构搜索的基础理论、进化算法的核心思想进行了阐述,引出了基于进化算法的神经架构搜索方法。（2）基于集成学习和进化架构搜索的交通图像分类网络设计。进化神经架构搜索由于需要对种群个体从头到尾训练评估,需要庞大算力。为了能够在有限的计算资源下获得一个高性能的交通图像网络,首先,以Res Net模块构建搜索空间;在适应度评估阶段,引入Stacking模型进行性能预测;最后,对最优个体添加多头注意力机制模块以提升性能。在Cifar10、Cifar100基准数据集上的实验表明,算法能够在较低的GPU Days进化出性能优异的图像分类网络。算法应用到GTSRB交通标志数据集上,所得网络模型有着优异的性能和较低的参数量。（3）基于进化架构搜索的轻量级交通图像分类网络设计。针对实际应用中对网络的轻量化需求,使用进化神经架构搜索算法设计轻量级网络。首先,以轻量级Ghost Net模块构建搜索空间,保证种群中神经网络个体足够轻量;在种群初始化和进化操作方面对新生个体进行参数量和FLOPs限制;最后,在最优网络个体的最后一层引入改进的通道注意力模块以提升性能。在Cifar10和Cifar100基准数据集上的实验结果表明,算法模型有着较高的分类精度和较低的参数量。最后将算法应用到GTSRB交通图像分类中,展现出了较强的竞争力。