目前我国车辆的数量和种类都在急剧增加,在造成交通拥堵的同时,交通事故发生率也居高不下。因此,如何缓解交通压力,保障出行安全,已成为我国目前亟需解决的问题。交通标志识别作为汽车辅助驾驶领域的关键技术之一,可以有效缓解驾驶疲劳,保障行车安全。本文针对交通标志检测识别问题,研究了利用深度学习进行交通标志检测和识别的卷积神经网络模型,具体研究工作如下:(1)针对交通标志图像检测问题,研究了Faster R-CNN网络模型。由于Faster R-CNN网络在特征提取阶段使用的是VGG16网络,不能将目标的浅层特征和深层特征融合起来,研究了利用迁移学习将Res Net50网络作为Faster R-CNN模型的特征提取网络。由于车载摄像头取景时目标区域存在一定程度的形变问题,采集自现实中的交通标志图像都是长宽比接近1:1的矩形,修改区域建议网络得到候选区域时的锚定窗口的长宽比,保证在训练过程中得到足够多的正样本,减少因为正负样本数量差距过大导致训练难度增加,降低边框回归参数的训练难度。针对实景图中单目标区域和紧邻多目标区域的情况,利用德国交通标志检测数据集(German Traffic Sign Detection Benchmark,GTSDB)中的数据进行验证,该改进算法取得了87.2%的检测精度和91.4%的召回率。(2)在识别阶段,研究并提出了一种引入Inception结构的Res Net网络的交通标志识别方法将识别精度提高到99%以上。实际交通标志识别应用场景中,往往需要在较远的地方拍摄图片,导致图片中目标区域一般较小,其特征结构在深层神经网络的传播中会由显性变成隐性,利用Res Net网络的残差结构将输入图像的浅层特征和深层特征融合起来,能够在加深神经网络结构的同时提升小尺寸目标图像的识别精度。Inception结构能够拓展神经网络的宽度,其本质特征是训练神经网络模型去寻找能够拟合目标特征的最优结构,减少人为参与控制即超参数的提前设定工作,同时Inception结构中的不同层数的卷积层的连接在一定程度上和残差结构融合浅层特征和深层特征的思想及效果一致。利用德国交通标志识别数据集(German Traffic Sign Recognition Benchmark,GTSRB),通过对比经典的Alex Net网络、VGG16网络等,本文所提识别算法的识别精度达到了99.1%,提升效果明显且满足实时性要求。(3)利用MATLAB设计开发了一种交通标志检测与识别软件系统。系统主要包括图像预处理模块,卷积神经网络模块,Faster R-CNN网络模块和帮助模块。可以对包含交通标志的实景图进行边缘检测等预处理操作,也可以搭建并训练自己的卷积神经网络模型,实现交通标志识别功能,还可以利用改进的Faster R-CNN网络对图片中交通标志进行定位和识别。