为了解决传统交通标志检测算法针对小目标交通标志检测时存在误检与漏检的问题，提出了一个基于金字塔多尺度融合的交通标志检测算法；为了提高算法对交通标志的特征提取能力，引入ResNet残差结构搭建算法的主干网络，并增加网络浅层卷积层数，以提取较小尺度交通标志目标更准确的语义信息；基于特征金字塔结构的思想，在检测结构中引入4个不同预测尺度，增强深层和浅层特征融合；为了进一步提高算法检测精度，引入GIoU损失函数定位交通标志的锚点框，利用k-means算法对交通标志标签信息进行聚类分析并生成更精准的先验框；为了验证算法的泛化性与解决试验所用数据集TT100K的类间不平衡问题，增强与扩充了数据集。试验结果表明：本文算法的精确率、召回率与平均精度均值分别达到了86.7%、89.4%与87.9%,与传统目标检测算法相比有显著提高；多尺度融合检测机制、GIoU损失函数与k-means的引入能够不同程度提高算法的检测性能，使算法检测精确率分别提升4.7%、1.8%与1.2%;提出算法针对不同尺度交通标志检测时均有更优越的性能表现，在TT100K数据集中的(0,32]、(32,96]与(96,400]尺度下的检测召回率分别达到90%、93%与88%;与YOLOv3相比，提出算法在不同天气、噪声与几何变换等干扰下均能实现对交通标志的正确定位与分类，证明了提出算法具有良好的鲁棒性与泛化性，适用于道路交通标志检测。