随着汽车使用人数的剧增,人们急需一个更加智能、安全的驾驶方式,因此辅助驾驶、自动驾驶逐渐成为目前最热门的话题以及科研热点。一个成熟的自动驾驶系统中会配备多种传感器。其中,摄像头因价格低,适用性强被广泛地使用,成了自动驾驶系统中传感器的标配。特斯拉的纯视觉自动驾驶系统就是一个经典的例子。摄像头传感器主要负责感知预测行人车辆,道路交通标识,交通信号灯,以及车道线等。在上述检测任务中,交通标识检测任务面临着小目标、天气影响、表面污损、类别繁多等多方面问题。深度学习因其强大的拟合泛化能力,把图像任务的发展推到了一个历史新高度,并逐渐取代传统的图像检测方法,在自动驾驶解决方案中占据主导位置。因此,本文的工作也是基于卷积神经网络展开的。本文主要贡献如下:（1）本文提出一个特征提取能力更强的基本组件CACSP,该组件在残差块中嵌入坐标注意力机制,利用长距离信息依赖,能缓解卷积堆叠以及池化作用导致目标特征退化,尤其对小目标特征保持非常重要。在COCO2017、TT100k验证集上相比于YOLOv5s基线的mAP0.5:0.95val指标分别提升1.1%和2.7%。（2）本文结合SPP以及Corner Pool的优势,提出Corner SPP模块。该模块能多尺度抽取丰富的语义特征,还具备融合长距离重要特征的能力,能弥补卷积缺乏捕捉远距离特征的劣势。同时,在一定程度上能缓解在扩大感受野的过程中引入的噪声影响。在COCO2017、TT100k验证集上相比于YOLOv5s基线的mAP0.5:0.95val指标分别提升1.2%和0.5%。（3）本文针对YOLOv5原有共享检测头的弊端,提出一个表征能力更强的解耦式检测头,解耦头能解决不同任务特征矛盾的问题。对交通标识检测这种类别繁多的任务能有不错的效果提升。在COCO2017、TT100k验证集上相比于YOLOv5s基线的mAP0.5:0.95val指标分别提升1.6%和1.9%。本文提出一套更适用于交通场景的数据增强策略提高模型泛化能力。TT100k验证集上相比于YOLOv5s基线的mAP0.5:0.95val指标提升0.5%,在本文方案中使用该数据增强策略mAP0.5:0.95val指标提升0.8%。最终,本文基于现有优秀模型YOLOv5s提出的方案,在公开数据集COCO2017、TT100k上验证集的mAP0.5:0.95val指标分别比YOLOv5s基线提升3%和4%。