随着经济的不断发展,人们生活水平的不断提高,汽车作为日常生活和生产中的重要交通工具得到了广泛的普及,我国的汽车保有量不断提升。为了应对和缓解因汽车数量激增而带来的一些列交通问题,包含先进辅助驾驶系统、自适应巡航控制系统等一些列先进应用系统的智能交通系统应运而生。交通标志检测与识别作为上述系统的重要组成部分,是计算机视觉、图像处理、机器学习在智能交通领域的重要研究方向之一。近年来,由于深度学习在计算机视觉领域的火爆,基于深度学习的交通标志检测和识别研究也越来越受关注。在现实的行车场景下,交通环境的复杂性和不确定性导致交通标志的实时检测是一个极具挑战性的任务,因此一个优秀的交通标志检测系统既要有较高的检测精度,又要有较快的检测速度。本文以基于深度学习的通用目标检测框架针对交通标志牌检测与识别问题进行研究,将国内城镇、郊区、高速等道路场景常见的危险标志、禁止标志和强制标志三大交通标志类型作为研究对象,使用Tensorflow深度学习框架进行算法实现。本文针对交通标志小目标的检测,通过分析SSD对小目标检测效果较差的原因,提出改进模型使用特征融合的方法生成新的检测特征图,并去除最后的两个检测特征图。实验结果表明本文提出的改进模型相较于对比模型在交通标志检测任务上达到了最好的表现,并具有良好的鲁棒性。针对模型在CPU硬件环境下流畅运行这一方面,基于轻量化的卷积模型,使用不同的改进方法,提出了八种轻量化交通标志检测模型。在只具有i9 CPU(无GPU)的实验环境下进行测试,本文提出的八种轻量化模型FPS均在10以上。最后展开交通标志牌检测应用系统的设计与开发,主要在基于ROS系统的网联微型智能无人驾驶实验平台上部署交通标志检测模型(Tensorflow实现),在PC端使用PyQt开发控制界面程序。系统主要集成了模型选择、检测结果可视化、移动端运动控制、模型参数设置、数据源选择、结果显示等功能模块,验证了系统的可行性。