随着我国现代化的进程不断加速，城市与城市之间的交通以及城市内部间的交通设施越来越完善，为了更好的进行城市管理和提供市民更好的生活质量，智慧城市与智慧交通等领域在全国各城市快速兴起。为了更好的管理交通，交通标志牌的完好是必不可少的，纵观国内外，很多学者对交通标志的检测与识别做了大量的研究，但鲜有研究人员针对交通标志牌上的交通标志是否被遮挡进行研究，所以本文主要针对交通标志牌上遮挡物的检测与识别进行研究。主要工作如下：
　　(1)基于HOG特征与SVM模型的遮挡物检测与识别
　　针对图像中目标物的检测与识别，我们需要去定位目标物并且构造目标物的特征以及将其归到正确的类别当中，为了解决这个问题，本文提出了基于HOG(Histogram of oriented gradient)特征与SVM(support vector machines)相结合的模型。该模型通过采集一幅图像中目标物的不同方向上梯度的值，累积之后，得到直方图，从而这个直方图就可以映射成该图像中目标物的特征。再结合SVM模型将特征融合进行识别分类。实验结果表明该模型能够有效的识别交通标志牌上的遮挡物。
　　(2)基于Faster-RCNN模型的遮挡物的检测与识别
　　针对HOG特征与SVM相结合存在特征生成速度慢，对噪音处理不理想的问题，本文采用Faster-RCNN深度神经网络模型。该模型通过将图片输入卷积神经网络提取出多层图像及每层图像上的特征，然后再通过区域兴趣网络得到每一层图像特征的感兴趣区域ROI并针对多层图像进行计算筛选出最佳的一层图像特征的ROI集，通过ROIPooling将其对应的特征提取出来并将特征的维度转换为定值。最后通过分类器对筛选出来的特征进行检测、识别分类。实验结果表明该模型具有很好的效果。
　　(3)基于Mask-RCNN模型的遮挡物的检测与识别
　　针对Faster-RCNN的模型中ROIPooling中提取的ROI特征图与原始图像上对应的目标匹配存在误差的问题，本文采用了一种基于Mask-RCNN的深度神经网络模型。通过提出ROIAlign层来解决这个问题。同时添加了分割分支，得到掩码结果，实现了掩码和类别预测关系的解藕。实验结果表明该模型针对检测交通标志牌上是否有遮挡物以及识别为何种遮挡物具有非常鲁棒的效果。