汽车的普及在给人们的生产生活带来极大方便的同时，也造成了如交通拥挤、交通安全等一系列的社会问题，近年来兴起的智能交通则有望解决这些问题。道路交通标志是智能交通的重要环节之一，道路交通标志的检测对无人驾驶、辅助驾驶等技术具有重要的促进作用，也引起了越来越多研究人员的关注。传统的交通标志检测算法主要基于交通标志的形状、颜色等外观信息进行，且依赖于通过人工方法进行特征提取。人工提取目标特征不仅有很大难度，而且易受天气、光照、拍摄角度等各种因素的影响，而基于深度学习的目标检测算法则能够克服传统目标检测算法的缺点，达到较好的目标检测效果。本文选取道路交通标志数据集GTSDB和CCTSDB，并使用深度学习技术进行了以下几个方面的研究：
　　第一，选取较为常用的三个单阶段目标检测算法SSD、RetinaNet和YOLOv3分别对两数据集进行检测。实验结果表明，YOLOv3目标检测算法在两数据集上能够取得较好的检测效果，且其检测速度能够达到实时检测的要求。
　　第二，针对YOLOv3模型定位不准确且对小目标检测能力差，而实验数据集中的交通标志大多为小目标的问题，对YOLOv3模型进行改进以提高其在道路交通标志数据集上的检测精度。首先，使用GIoUloss作为边界框损失函数，可有效解决YOLOv3模型中边界框损失函数采用L2范数进行计算，而却采用IoU进行测评的缺点，能够使得网络朝着预测框与真实框重合度较高的方向去优化。其次，在模型中引入focalloss，能够有效解决模型正负样本不平衡和易检难检样本不平衡的问题，提高模型的检测精度。另外，在模型中加入长连接，使图像浅层特征能够直接传入网络的更深层与深层特征合并，使网络中深层特征图中的特征信息更完整，进而使网络对目标的定位及分类能力有所高。实验结果表明，三种改进方法均能提高模型的检测精度，同时融合这三种改进方法后，模型的mAP提高最多，且仍能达到实时检测的要求。
　　第三，YOLOv3模型对设备的计算能力、内存等要求较高，难以在车辆等资源受限平台上部署。若交通标志检测通过网络进行传输，则受网络状况影响较大，会产生较多问题。本文提出了一种压缩优化的StrongTiny-YOLOv3模型，可减小模型对设备性能的依赖。StrongTiny-YOLOv3模型通过改进的FireModule对YOLOv3模型进行压缩，减小模型参数量。同时，通过在模型FireModule层间加入short-cut、对非极大值抑制算法进行改进等方法来提高模型检测精度。实验结果表明，StrongTiny-YOLOv3模型的参数量减少为1.1M，模型存储大小减小为7.5M，与Tiny-YOLOv3模型相比参数量减少了87.3%，模型存储大小减小了77.9%。在GTSDB和CCTSDB数据集上，StrongTiny-YOLOv3模型的检测mAP比Tiny-YOLOv3分别提高了13.1%和4.2%。在GeForce940MX上的实验结果显示，StrongTiny-YOLOv3模型的检测速度比Tiny-YOLOv3模型提高了22.8%，比YOLOv3模型提高了764%。