交通标志中存在着丰富的语义信息,在交通场景中有着了非常重要的作用。而近年来,智慧交通、智能导航、自动驾驶等一系列与交通相关的高智能化的概念与产品受到了广泛的关注。然而目前,大部分交通标志的研究都集中于提取交通标志中的符号信息,而针对交通标志中的文本信息的研究则相对较少。因此交通标志文本识别具有很高的研究意义。考虑到目前相关公开数据集的匮乏以及国内交通标志的特点,本文自制了一套自然场景下文字交通标志检测数据集（China Text-based Traffic Sign Detection Dataset,CTTSDD）、一套自然场景下交通标志任意方向文本检测数据集（China Traffic Sign Text Detection Dataset,CTSTDD）,以及一套自然场景下文字标志文本识别数据集（China Traffic Sign Text Recognition Dataset,CTSTRD）。自制数据集充分考虑了国内各个场景,包含了高速路、市区、乡村各种道路,且数据集中交通标志背景复杂、目标尺度跨越大等都给研究工作带来了较高的挑战。本文针对交通标志文本识别设计了一种由粗到细的流程,流程包括文字类型交通标志检测、文本检测和文本识别三部分内容,具体研究内容如下:（1）进行文字交通标志检测以定位文字交通标志在自然场景中的位置以及去除大量不相关的区域。本文设计制作了适用于自然场景下交通标志检测任务的NSYOLOv3网络,该网络以YOLOv3作为基础模型,针对交通标志类别进行模型瘦身以减少其参数量与运算量。在CTTSDD数据集上进行试验分析,NSYOLOv3在CTTSDD测试数据集上取得了93.28%的精度,与YOLOv3精度基本一致,但是模型参数量仅为YOLOv3的13.58%。（2）在定位的交通标志区域内进行文本检测。本文在经典的EAST文本检测算法基础上,针对自然场景下交通标志文本具有倾斜变形、遮挡、极大长宽比等特性,引入可变形卷积模块和1*7、7*1等不规则卷积,设计实现了适用于自然场景下交通标志文本检测的TSEAST算法,其在CTSTDD测试数据集上综合指标F为91.92%。相较于经典的EAST算法,TSEAST算法在准确率小幅提升的基础上,召回率得到了明显的提升,且TSEAST的模型大小仅为6.2MB,为EAST模型大小的39.24%。（3）在检测的文本行区域内进行文本识别。本文进行了两种经典的文本识别算法的对比实验研究,实验结果表明,对于自然场景下的交通标示文本识别而言,ASTER算法的识别精度要远高于CRNN算法。