车辆在道路场景下,依靠感知传感器获取外界环境信息,随后决策机构依靠感知信息控制汽车行驶动作。车辆的自动驾驶需要依靠外界丰富且关键的交通标志信息,在具有复杂背景的自然场景中完成交通标志识别技术已经相对成熟,但对于交通标志上具有更多信息的交通标志文本识别依然存在众多挑战。为解决无人驾驶汽车外界环境感知系统交通标志文字信息检测问题,本文提出一种在自动驾驶场景下对交通标志的文本信息进行检测并识别的两阶段方法。在交通标志文本检测阶段,首先使用交通标志检测模型与自动驾驶场景文本检测模型组成的交通标志文本检测模块对交通标志文本进行检测。交通标志检测模型使用YOLO检测器对场景内交通标志进行检测。自动驾驶场景文本检测模型使用结合自注意力特征关联和空间感受野增强结构提升网络检测性能的IDBNet。先后替换了DBNet的特征提取主干网络,增加了SPP（Spatial Pyramid Pooling）结构、自注意力（Contextual Transformer）结构和双路注意力结构,使本文提出的网路IDBNet从像素、通道与感受野三个纬度增加特征间的关联性从而提升网络检测性能。交通标志检测结果与场景文本检测结果进行感兴趣区域筛选获得待识别交通标志文本区域。在交通标志文本识别阶段,使用结合轻量化主干网络与CTC损失函数的CRNN网络对待识别区域文本进行识别。将识别结果经过后处理后获得场景内的交通标志文本信息。本文先后在MSRA-TD500、CTW1500、BDD100K、MLT-2017、CTST-1600与MTWI-2018等多个数据集上进行实验。实验结果表明,改进的IDBNet在MSRA-TD500数据集上的F1综合评价得分达到了87.9%,比原网络提升了3%;在CTW1500数据集上的F1综合评价得分达到了87.0%,比原网络提升了2.6%。在CTST-1600数据集上的数据集上的检测识别F1综合评价得分达到了92.8%。本文对自动驾驶场景下交通标志文本信息检测与识别进行了完整的方案设计与实现,应用场景仿真测试结果显示本文方法可以对交通标志文本进行准确检测和识别,对实际应用具有较高的参考价值。