交通标志检测与识别是智能驾驶辅助系统的重要组成部分。通过结合车道线检测技术以及各类地图软件,可将路面信息及时地反馈给车辆驾驶员,极大地减少交通事故的发生。车辆的增多加速了路面交通标志的磨损,加重了道路维护负担,然而现有的路标现场勘察方法存在成本高、工作效率低等问题,不仅拖延了路面维护和更新的进度,而且影响道路的交通安全。为此,本文以无人机影像为对象,利用无人机影像获取速度快、范围广和分辨率高等优点,提出了基于深度学习的无人机影像车道箭头标志检测与识别方法,为箭头路标的大面积监测提供了条件。本文主要工作及研究内容如下:（1）数据集制作。当前没有公开的车道箭头标志数据集,为进行相关研究,本文利用无人机影像根据不同算法的要求制作了两套高质量无人机影像车道箭头标志数据集。该数据集包含了不同场景下的箭头路标,在增强数据集普适性的同时减弱了数据的不平衡性。（2）提出了一种改进的Mask R-CNN车道箭头标志检测识别方法。针对传统方法在路标检测中存在精度低、时间复杂度高以及鲁棒性差等缺点,本文提出了一种改进的Mask R-CNN箭头路标检测识别方法。首先对数据集中的影像做图像增强和去噪处理,然后将处理后的影像输入到主干网络“残差网络101（Residual Network 101,Res Net101）+特征金字塔网络（Feature Pyramid Networks,FPN）”中进行特征提取。本文还对区域生成网络（Region Proposal Network,RPN）中锚框的宽高比进行了调整,并将候选框选取方法——非极大抑制（NonMaximum Suppression,NMS）替换成缓和非极大抑制（Soft Non-Maximum Suppression,Soft-NMS）,在提高模型检测和识别精度的同时更加适应于无人机影像。实验结果表明,本文所提方法的平均精确度（Mean Average Precision,m AP）达到了98.33%,高于其他两种对比方法,说明该方法对小区域影像中箭头路标具有很好的检测和识别效果,但对大区域无裁剪影像中箭头路标的检测与识别效果较差。（3）提出了一种改进的YOLOv4车道箭头标志检测与识别方法。针对（2）中方法在箭头路标检测与识别中存在的不足,本文提出了一种改进的YOLOv4车道箭头标志检测与识别方法。首先在上述方法所用数据集的基础上加入了大量无裁剪的原始无人机影像图,增加对大图的检测识别能力;其次利用K-means聚类算法重新获取了9个锚框,并通过引入最新的优化器自适应矩估计投影（Adaptive Moment Estimation Projection,Adam P）和随机梯度下降投影（Stochastic Gradient Descent Projection,SGDP）来提高路标检测识别的速度与精度。实验结果表明,本文方法的m AP为95.63%,F1-measure为94.08%,高于其他几种对比方法,证明该方法可对复杂场景影像中车道箭头标志进行有效的检测和识别,验证了本文方法的有效性。