交通标志检测与识别作为智能交通中的重要功能,其目的是为了辅助驾驶人员更全面地知晓驾驶过程中前方道路的情况,更是为了能够在未来实现无人驾驶的普及,解放驾驶人员,从而改变我们的生活。交通标志检测与识别的核心是对检测与识别算法的研究,但由于交通标志具有多样性,在现实场景中它所处的周围环境又具有多变性和复杂性等特点,再加上白天夜晚光照强度的反差变化,这些因素导致可能存在误检,漏检等问题,与此同时,识别过程中对实时性和准确性有着较高的要求,而现有的识别算法由于复杂的网络结构,在进行训练模型以及交通标志识别的过程中仍有一定的提升空间。针对现实场景中不同光照以及遮挡,污损,形变所带来的交通标志检测的问题。本文采用了一种基于标志特征与机器学习混合的检测算法。利用该算法在德国的交通标志检测公开数据集GTSDB上进行实验验证,实验结果显示,检测的精确率达到了92.31%。针对现有识别算法模型网络结构复杂,网络训练以及标志识别过程耗时较长等问题,本文在前人研究的基础之上,采用了一种基于MCCNN的交通标志识别算法。在开源的Caffe框架上,采用该算法对德国交通标志识别标准的数据集GTSRB中的训练集进行训练,通过卷积神经网络来提取这些交通标志中的关键特征,并利用训练好的识别模型去识别分类交通标志。在进行实验后,实验结果显示,识别的准确率达到了93.024%。将得到结果与前人的进行对比分析。最后设计了一个交通标志检测与识别的原型系统,并且对现有的数据集进行数据增广,其中增加的交通标志实验数据主要采集自学校内以及周边街道两旁。将本文的检测与识别算法在该原型上面进行测试,得到实验结果并进行分析。