在无人驾驶汽车智能导航系统中,道路交通标线检测与识别是实现自主驾驶的关键技术之一,对车辆环境感知和导航有着重要的意义。由于道路交通标线因长期日晒雨淋、遭受车辆磨耗导致污损、褪色、缺失等非理想情况存在,大多数算法的鲁棒性较差、识别准确率较低,并且有关道路信息检测与识别算法主要针对车道线、路侧交通标志,很少有道路交通标线的检测与识别算法。因此,本文针对道路交通标线检测与识别方面存在的问题,设计并实现了一种改进的基于多层次融合与卷积神经网络的道路交通标线检测与识别方法。首先,根据图像的纹理特征与颜色特征,采用基于消失点的方法检测道路区域;然后,利用已检测道路区域的位置,通过多层次融合的显著性检测方法提取图像中感兴趣区域;最后,根据同层多尺度卷积神经网络识别感兴趣区域,进而确定交通标线类型。论文主要研究内容有以下几个方面:(1)为了提高交通标线的检测精度,本文采用基于消失点的方法检测道路区域。利用参数为1个尺度、4个方向的Gabor变换,通过校正纹理、限定消失点的选取范围,采用局部软投票方法快速地确定道路的最佳消失点,并根据图像的方向一致性与颜色特征,实现道路区域的分割,从而消除非道路区域的影响。(2)结合相关的显著性区域检测算法,本文采用基于多层次融合方法检测道路交通标线。利用图像的底层显著性特征(颜色对比度、区域对比度、纹理对比度),对边界概率图进行融合得到单层显著图,并通过线性加权的方法对不同层的显著图进行融合得到最优显著图,采用滑动窗口与非极大值抑制方法提取感兴趣区域。实验表明,本文的算法能够显著地完成道路交通标线的检测,有效的提取感兴趣区域。(3)利用第四章检测到的感兴趣区域,在LeNet-5卷积神经网络的基础上,设计了一种基于同层多尺度卷积神经网络的道路交通标线识别方法。实验表明,该网络模型能很好的识别12类道路交通标线,与其他算法相比,本文算法具有较高的识别准确率(98.4%)、较短的识别时间(0.011秒)。