交通标志作为重要的道路安全辅助设施,无论对行人还是驾驶人员都有着非常重要的指导和警示意义。随着智能交通技术的兴起,道路交通标志的识别已经成为汽车辅助驾驶、无人驾驶汽车等应用的关键问题之一,因此,研究道路交通标志的检测与识别就成为机器视觉、智能交通等领域的热点问题之一。基于上述背景,本文利用模式识别与图像处理技术对道路交通标志的检测与分类进行了相关研究。在课题组前期工作基础上,针对前期仅利用颜色对交通标志进行分割的不足,提出了融合颜色和形状的交通标志分割算法,提高了交通标志分割的准确性；然后对分割后的交通标志,在传统的基于HoG(Histograms of Gradient)特征的基础上,提出了基于学习的HSC(Histograms of Sparse Codes)特征的交通标志识别算法,提高了道路交通标志识别的准确率。本文的主要工作有：(1)由于国内外交通标志的制定标准以及环境复杂程度的差异,使得交通标志的检测方法在不同数据集下的检测准确率也会受到一定的影响。目前,针对国内道路交通标志的检测还没有公认的基准测试集,为此,本文在前期工作准备的基础上,拍摄了北京地区带有交通标志的图像共计300张,交通标志数量共计502个,作为实验数据集。(2)提出了改进的融合颜色和形状信息的交通标志分割方法。基于课题组前期工作的基础,对基于颜色的交通标志分割算法进行了改进,避免了与交通标志颜色一样但过度鲜艳的噪声对自适应阈值的过度影响,大大增强了分割算法对干扰噪声的鲁棒性。同时提出了基于傅里叶描述子的形状分割算法进行辅助,在很大程度了减少了噪声的影响,提高了分割准确率。(3)提出了基于学习的HSC特征的道路交通标志识别算法,并与传统的基于HoG特征的交通标志识别算法进行了对比,并分析了不同参数对两种算法识别结果准确率的影响。