交通标志主要包括四类,第一类通常是蓝色背景上有白色图案的圆形或矩形,也就是常说的交通指示标志,用于指示车辆前方可直行、绕行或者左右转等;第二类是大多为黄底黑边的等边三角形,称其为交通警告标志,如警示行驶车辆前方可能会有落石、前方急转弯慢行等;第三类是通常为红斜杠黑色图案的圆形,称为禁令标志,如提醒驾驶员此处禁止通行、禁止泊车等;第四类是通常为蓝底白字矩形的指路标志,如指示城市、城镇、乡村之间的交界、距离目标地点的远近等,为远行驾驶人员指明方向。综上可知,在四种交通标志中,交通警告标志在车辆行驶安全方面显得尤为重要,其主要用于提醒驾驶人员前方路况不利于行驶、路段可能存在危险,要小心谨慎驾驶。在深度学习方法被广泛应用之前,我国对于交通警告标志的研究大多是根据三角形警告标志的边缘信息来进行检测识别的,例如通过寻找警告标志的质心与顶点位置来对其进行定位,然后再对定位好的标志进行识别,但是这种方法的实时性较差。近些年人们开始用神经网络的方法对交通警告标志进行检测识别,虽然耗时少了,但还是无法达到实时的基本要求,且准确率相对不是很高。为了降低由于忽略交通警告标志而引发的交通事故发生率,本文主要数据来源是自然背景下的我国常见交通警告标志,并对其进行检测识别,希望在保证准确率的情况下能快速的对图像中的目标进行检测识别。我们希望能将交通警告标志的检测识别方法及其模型结构应用在辅助交通驾驶系统中,可以尽快将交通警告标志的检测结果在保证准确率的条件下告知驾驶员,用来辅助驾驶员更好的了解前方路况,进一步保证驾驶的安全性。在对神经元和神经网络的理论及结构进行了解后,本文选择了全卷积神经网络对我国常见的交通警告标志进行定位与检测,使用自然情景下的我国常见交通警告标志作为数据集,对模型进行训练。首先,为了增强模型的泛化能力,对图像进行了数据增强处理;其次,通过卷积层与残差连接层交替连接来对图片数据进行颜色、形状等特征提取;最后,通过特征金字塔网络结构进行跨尺度预测,在不同尺度上预测物体位置坐标和类别概率。实验结果表明,该方法利用全卷积神经网络的深度学习能力,实现了对交通警告标志的快速、准确识别,可以基本满足对与常见交通警告标志检测识别的实时性要求。