在大数据和强劲的计算机算力加持下,人工智能技术得以迅速发展,其应用丰富了人们的生活。面对复杂多变的交通路况,为保障驾驶安全并提升驾驶体验,智能驾驶技术进入了人们的视野。作为智能驾驶技术不可或缺的一部分,开展对道路交通标志识别技术的研究具有重要意义。道路交通标志目标小且类型多样,同时在真实路况中存在标志牌被污染或被异物遮挡等场景,因此对于道路交通标志的识别任务很难通过传统识别算法实现。针对上述问题,本文基于深度学习,从网络结构设计和相关算法优化等方面开展研究,主要工作内容如下:1.道路交通标志数据集构建:针对道路交通标志公共数据集存在的问题,本文构建了包含25类的道路交通标志数据集,共计数据图像9888张,同时完成目标类别和位置信息的详细标注,共58560个真实框。通过与道路交通标志公共数据集和目标检测数据集的对比分析,验证了本文数据集的合理性和优越性。2.道路交通标志识别算法设计:本文提出使用高斯混合模型取代K-means聚类,提高预测框回归精确度。设计多尺度识别网络,其中通过多级残差结构增加网络深度,采用特征金字塔结构共享语义信息,通过五尺度预测提高小目标识别效果。设计新的损失函数,解决训练样本数量不均衡导致识别效果差的问题。采用几种基础训练策略,提高网络训练能力。3.算法整体性能测试:本文在构建的道路交通标志数据集上对本文算法进行了大量实验,实验结果表明本文算法对道路交通标志的识别准确度为95.0%,比SSD、Refine Det、YOLO v3、SPP-YOLO v3、YOLO v4、YOLO v5-x分别高22.3%、9.6%、5.7%、4.9%、4.3%、1.9%,识别速度达到23帧/秒,比Faster RCNN、SSD、Refine Det、YOLO v3、SPPYOLO v3、YOLO v5-x分别快283.3%、91.7%、130.0%、15.0%、4.5%、27.8%。通过服务器本地对比实验,验证了本文算法的优越性。通过将本文算法部署到车载硬件平台,实现每帧用时0.04秒的快速准确识别,满足实时性要求。通过室外实验进一步表明本文算法在应用层面的可行性。