自动驾驶的快速发展导致道路交通标志检测和识别的需求也日益增多。深度卷积神经网络的快速发展使得道路交通标志检测与识别取得了瞩目的进展。但在阴天、傍晚或背光等复杂光照环境下,仍然存在漏检、误检、定位不准和置信度低等问题。本文针对复杂光照条件下道路交通标志检测和识别问题做了以下工作:（1）针对国内缺乏合适的复杂光照道路交通标志数据集问题,构建了真实道路交通场景下的中国道路交通标志数据集ZCTSDB,采用了7种不同的图像扩增策略对其进行数据增强,提升了训练集中道路交通标志类别的平衡性。随后对ZCTSDB进行标注,并转化为方便训练和测试的COCO模式。实验表明,本文采取的7种数据扩增策略可以有效提升道路交通标志检测和识别性能。相比ZCTSDB-original,ZCTSDB-augmentation目标检测和实例分割平均精度分别提升了1.288%和1.206%。（2）针对低光照交通场景中亮度低、交通标志显著性低等问题,提出了一种新的光照图像增强算法。首先,将RGB色彩空间转换为HSV色彩空间,对V通道进行多尺度高斯滤波获取光照分量。一方面,对V通道的反射分量进行归一化处理,获得校正后的V通道图像。另一方面,使用改进的自适应伽马函数获得校正后的另一个V通道图像,将校正后的V通道图像进行权重融合,获得新的V通道图像,并与H、S分量结合转换为RGB色彩空间,获得新图像。最后,将新图像和原图像通过梯度公式和参数调整重新构建新图像。实验表明本文提出的光照图像增强算法在各种低光照交通场景中,可以有效提升图像亮度,提高图像清晰度,在图像不失真的条件下有效提升道路交通标志检测和识别性能。相较Mask RCNN,本文光照图像增强与Mask RCNN结合算法的目标检测和实例分割平均精度分别提升了2.213%和2.774%。（3）针对复杂光照环境下,道路交通标志检测和识别中存在的漏检、误检、定位不准和置信度低等问题,提出了一种复杂照度条件下的道路交通标志检测与识别算法。首先,利用实时光照强度判断算法对图片光照强度进行判断;其次,利用本文光照图像增强算法调整图像的亮度和对比度,提高道路交通标志显著性,增强道路交通标志细节,降低漏检和误检率;最后用Res Ne XT-101-FPN为骨架的Mask RCNN检测图像,提高了道路交通标志检测与识别的性能。本文提出了一种改进的基于深度卷积神经网络的道路交通标志检测和识别算法,在ZCTSDB数据集上进行训练和测试。实验表明,本文提出的算法对ZCTSDB测试集上43类道路交通标志都具有良好的识别效果,其目标检测平均精度8)(（7（7）为72.047,实例分割平均精度8）seg为73.824。实验结果表明了本文提出的算法在复杂光照交通场景下可以有效提高道路交通标志的检测和识别准确率。