目前,神经科学方面的研究成果提供了很多关于生物学多层网络的知识。感知人工神经网络的学习(适应)过程就如同生物系统中的自主发育过程。研究表明,一个正常发育的人类视觉系统拥有一定的能力,但是在转化不变性,尺度不变性,或者方向不变性方面并不完美。因此,将严格的不变性强加于位置、尺度或方向,从生物学角度而言是不正确的。从发育的角度来看,这会大大限制了系统学习其他感知技术的能力。既具有一种能够学习所有无限制的任务的完整的表征模式,同时又嵌入了不变性就是目前感知神经网络所面临的巨大挑战。交通标志和信号灯的检测是智能交通系统的一个重要部分,可以应用于辅助驾驶系统和无人驾驶系统中。颜色是交通标志和信号灯一种重要特征。本文改进并且通过实验对比了三种基于颜色的检测方法：基于RGB颜色空间分割法、基于HSV颜色空间分割法和基于简单向量滤波器的分割方法。在传统的基于颜色的粗分割后,本文引入了基于形状检测的两种方法：基于矩形度和圆形度的方法,基于模糊规则的方法。第一种方法依赖于候选区域像素点总数和外接图形的面积比来确定矩形、三角形和圆形。第二种方法通过分别对应于矩形、圆形、正三角形和倒三角形设计一对检测和确认的模糊规则来识别形状。在对以上方法进行实验过程中发现,在采集图像时,当目标物与拍摄的角度大于20°时,可能会发生漏检的情况。尽管使用了传统方法后的实验结果可以大致得到目标的位置,外轮廓形状等信息,但是仍存在漏检和误检情况。对此,本文引入多层原地学习网络(Multilayer In-place Learning Networks, MILN)。这种网络是受生物学启发的,从感知经验中学习到综合的不变性,综合了非监督的和监督的学习。实验中,在完成了基于简单向量滤波器的预处理分割方法后,将粗分割结果归一化为28×28像素大小作为MILN的输入样本集。实验结果表明,这种神经网络分类器具有较高的分类正确率。