随着人工智能和信息化技术的快速发展,图像检测与识别技术渐渐地应用于社会的各个领域,对提高人们的生活出行效率,起到重要作用。5G网络的普及和芯片算力的提升,新型基础设施建设不断的投入,为图像检测与识别应用在自动驾驶领域提供适宜的硬件环境,必将成为未来智能交通热点的研究方向,而交通标识识别技术在自动驾驶和辅助驾驶等方面具有重要价值。本课题采用深度学习技术,以交通标识的图像为研究对象,重点研究交通标识检测和识别方法。对各个常见的目标检测和图像识别的算法进行了整理,为解决因复杂的自然环境如光照、天气、图像拍摄角度和标识褪色而影响的交通标识识别检测精度不高的问题,提出一种基于回归的交通标识识别改进方法。基于SSD算法进行了改进以提高交通标识定位的准确率。把深度残差网络作为预测模型的前端网络结构,引进了不同尺度的融合特征层。通过把交通标识数据集输送至已经训练优化完成的网络对交通标识定位操作。在交通标识的识别的问题上,本文研究了一种改进的卷积神经网络模型。在传统的CNN网络加入了卷积的特征提取模块(FE-Module),使用级联卷积层对输入到网络模型的图像执行获取其特征,解决了传统卷积神经网络单个卷积核对图像特征提取不足的问题,随着网络结构加深,级联末端的卷积核提取图像的主要特征信息,可以提取更多特征,本网络模型可以减少网络中的参数,因此整个网络模型就会变得轻量化,也减小了训练时间,在GTSRB交通标识数据集上识别效果进行对比要比传统CNN网络更高效,因为模型的参数少,减少空间资源是消耗,也提高了模型的可移植性。