随着经济的快速发展，汽车已经走入了千家万户。但在汽车给人们出行带来方便的同时，交通事故的频繁发生也给受害者的家庭带来极大伤害。因此，对智能交通技术的研究，可以方便司机出行，减少交通事故的发生。交通标志识别系统作为智能交通的一个重要组成部分，可以通过安装在汽车前方的摄像机拍摄自然场景图像，然后将图像传送到系统的图像处理模块进行交通标志的识别，最后将识别结果通过语音或者显示屏等方式告知司机，方便司机的驾车安全。十几年以来，道路交通标志识别研究有了很好的进展，并取得了一定的研究成果，但因背景复杂性以及光照等各种影响因素的存在，导致了它比非自然场景下的目标识别更具有挑战性。为了提高自然场景下交通标志牌的检测与识别速度和准确度，本文以计算机图像处理技术为主要技术手段，综合运用HSV颜色空间模型、图像预处理、仿射变换矫正、形状定位、不变矩的特征提取和小波神经网络等方面的知识，对交通标志自动识别进行了研究，取得了较好的研究成果。论文的主要工作如下：1．基于HSV空间下颜色和形状的交通标志定位交通标志都有自己特定的颜色和形状，论文对不同类别的交通标志根据颜色和形状进行了定位，通过定位可以把交通标志大体的分成指示标志、禁令标志、警告标志、停车让行、减速让行几种类型。例如限速牌是红色的外边框，白底黑字，形状是圆形或椭圆形，警告标志是黄底黑色标志，形状是三角形。2．交通标志的图像预处理和仿射校正本文采用白平衡和彩色增强算法对在自然场景下采集到的图像进行颜色预处理，采用仿射变换对自然场景下变形的交通标志进行校正处理。3．纹理特征特征提取对于同一类别的交通标志主要的区别是通过纹理特征表示出来的，论文采用Hu不变矩和Zernike不变矩做为交通标志识别的特征向量。4．交通标志的识别交通定位对交通标志的类型进行了区分，因此在识别时仅对同一类别的交通标志识别即可。论文根据提取的Hu不变矩和Zernike不变矩的特征值训练小波神经网络和BP神经网络进行每一类的个体识别，识别率达到了90%以上。实验验证了方法的有效性。