近年来,随着国家大力推动新能源汽车的发展,带有辅助驾驶甚至自动驾驶功能的汽车逐渐进入市场。依据国际自动机工程师协会划分的自动驾驶等级标准,目前市场上的自动驾驶汽车大多处于L2或L3的水平。交通标志识别是自动驾驶系统视觉解决方案的组成部分之一,快速、准确的识别率可以在一定程度上提升自动驾驶汽车的安全性,降低交通事故的发生率,提高乘车的舒适性。本文针对自然场景下小目标交通标志识别的问题,提出了一种基于区域注意力和原型特征的交通标志识别算法,主要研究工作如下:⑴针对由于小目标、遮挡等情况下目标细节缺失导致交通标志识别精度低的问题,首先提出了特征金字塔注意力（Feature Pyramid Spatial Attention,FPSA）算法。FPSA算法采用具有大感受野的深层特征作为注意力信息对浅层的细节特征进行加权,最终更加精确的检测出潜在目标。特征金字塔注意力分别使用Faster R-CNN模型和Retina Net模型在TT-100K数据集上进行了实验,所提特征金字塔注意力最终使Faster R-CNN模型的m AP准确率达到了78.9%,召回率为66.6%,并且所提方法对小目标的识别精度有显著的提升,同时没有给模型推理带来明显的时间延迟。⑵在FPSA算法的基础上,进一步提出了区域注意力（Regional Attention,RA）算法。区域注意力利用邻域的特征信息对处于邻域中心的特征进行加权。同时,利用区域注意力对YOLOv5中的Bottle Net CSP模块进行了改进,最终改进YOLOv5模型在TT-100K数据集上的m AP准确率达到了86%,召回率为78.9%,前向推理速度达到了150fps。⑶针对CNN网络提取的特征之间存在着线性关系,从而导致模型过拟合的问题,提出了原型特征（Prototype Feature,PF）算法。原型特征算法通过降低特征之间皮尔森相关系数的方式降低不同特征之间的线性相关性。原型特征算法分别使用Res Net50模型和原型特征（Prototype Feature Network,PFNet）模型在Cifar10、Cifar100和TSRD数据集上进行了实验,实验显示原型特征算法可以降低模型的过拟合现象,提升模型的泛化性能,最终所提的原型特征算法利用PFNet模型在TSRD数据集上达到了88.9%的识别准确率,相比不使用预训练权重的Res Net50模型71.55%的识别准确率有了很大的提升。