无人驾驶汽车自问世以来一直受到国内外车企的广泛关注,而可靠的视觉感知系统是对无人驾驶技术的重要支撑。交通标志承载着重要的道路行驶信息,系统准确地检测交通标志有利于引导驾驶员安全行驶,同时对于提升无人驾驶汽车的场景理解能力也有着重要意义。得益于硬件计算能力的提升以及广泛学者的研究,近年来深度学习发展迅速。尤其在计算机视觉领域,深度卷积神经网络已取得众多突破性成果。在图像识别、目标检测、图像语义分割等视觉任务中,基于卷积神经网络的研究方法占据重要地位。本文聚焦于对图像语义分割技术改进并应用于交通标志检测任务。(1)在真实检测场景下,交通标志呈现在图像中的尺度变化多样,虽然基于卷积神经网络的图像语义分割技术可以像素级地标记目标,但如何准确地分割多尺度目标一直都是研究难点。通常采取融合网络尺度信息的策略增强特征表示能力,改进分割性能。但对于特定的尺度目标,一部分尺度特征信息对于特定尺度目标的语义表达是重要的,其它尺度特征信息影响是次要的。因此以Deep Lab分割框架为基础,引入尺度特征加权方法,对空洞卷积池化空间金字塔模块产生的多尺度特征进行加权,让卷积神经网络自适应地选择特定的尺度特征,有效地作用于特征表示以及像素预测。通过实验验证了尺度加权策略有利于性能改善。(2)针对基于全卷积神经网络提取感兴趣区域(ROI)的交通标志检测方法,在图像分割阶段耗时的问题,提出双流解码网络语义分割ROI。通过引入轻量的ENet作为基网络,提升图像分割速度。在上采样过程,建立多尺度特征层,构造单步解码分支,与原有多步解码支路形成双流解码。ROI的预测结果决策融合自不同判别性的解码支路输出,改善分割精度。将候选区提取方法定向到ROI,进一步生成精细检测区域,利用多尺度卷积神经网络分类器识别该区域的交通标志。实验结果表明,交通标志检测器结合提出的网络,达到单帧图像23ms的ROI分割速度,并保持高的检测精度。