交通标志识别是自动驾驶系统中的关键一环,也是机器视觉领域长久以来的热点问题。交通标志中包括道路信息、限速警告、驾驶环境等一系列重要语义信息,在无人驾驶汽车的路径规划、车速调节和驾驶安全等方面起到关键作用。因此,实时精准地在全天候条件下检测路面交通标志对自动驾驶汽车的发展具有重要的意义。交通标志识别的精准与否直接影响自动驾驶安全行驶的问题,然而在复杂多变的自然环境下,例如曝光、反光以及图像模糊的情况难以检测;交通标志牌因常年暴露室外导致部分标志牌表面出现褪色损坏的现象,现有算法的检测性能难以达到预期。除此之外,自动驾驶汽车基于视觉的路面检测任务较为繁多,具有高计算量的需求,目前大多算法在实时性方面的表现还有待提高。因此,针对上述交通标志识别算法的准确性和实时性,本文提出了基于深度学习的目标检测算法,并对于检测任务中的关键部分提出了以下改进方法:1.对检测到的交通标志进行局部的图像增强手段,提高交通标志牌所在区域的对比度、饱和度等,使得交通标志与图像背景形成鲜明对比,在检测过程中优化感兴趣区域（region of interest,ROI）,为后续识别环节奠定基础。2.在机器视觉的目标检测任务中引入注意力机制（Attention）,注意力机制的引入可以在神经网络预测过程中用来强调或选择待处理目标对象的重要信息,并且抑制无关信息。本文将端到端的目标检测算法Detection Transformer（DETR）用于交通标志识别任务中,这种方法的优势在于免去了非极大值抑制（Non-Maximum Suppression,NMS）后处理过程,在提升预测性能的同时大幅降低了计算开销。3.替换DETR模型中用于特征提取的主干网络,改为利用深度可分离卷积构建的Mobile Netv2网络,提高算法的实时推理速度,结合通道剪枝和层剪枝方法,进一步压缩模型体积。最后,本文将训练好的神经网络模型进行量化处理,将模型参数中高精度数据类型转换为INT8类型数据,提高算法的推理速度,将算法部署在车载相机上构建自动驾驶汽车交通标志识别系统并进行相关实验。实验结果表明本系统在复杂路面的交通标志检测任务上预测性能有着显著提升。