智能驾驶是帮助驾驶员在汽车行驶过程中识别路况做出相应判断与响应的技术,利用车载传感器获得环境信息,通过对所得信息的综合运算得出感知结果。交通标志识别是这一技术的重要组成部分,由于系统要应用于行驶着的交通工具上,错误的识别结果会带来巨大的安全隐患,因此对算法的识别准确率要求较高,而算法的实时性决定了系统能否转化为有实际应用的产品。本文对基于深度学习的交通标志识别算法进行学习研究,在数据扩增、模型的结构优化以及参数量化等方面提高深度学习模型识别准确率以及运行速率。主要有以下三个方面的工作:(1)对系统应用的定点城市进行交通标志数据集的采集,通过实验对比选用VGGNet网络对自采数据集进行模型训练,采用SamplePairing思想扩增训练数据的规模,同时为训练结果增加了正则化惩罚项,清晰了类别界限,提高模型准确率。(2)采用通道剪枝的思想,基于LASSO回归和最小二乘法进行通道选择和特征图重构,在保证精度基本不变的情况下,对VGG模型进行压缩优化。(3)根据K-L散度优化的的思想对训练模型进行量化,拟合模型参数分布,将float32bit的卷积操作转换为int8的卷积操作,达到压缩模型减少运行时间的目的。本文对训练模型以及相关的优化算法进行了实验和结果分析。针对自采数据集做数据扩增后模型准确率提高了0.9%。通过模型通道剪枝与量化两步优化实验,将VGG模型由537M压缩至127M,运行速度提升53.3%。设计了基于QT图形界面库与caffe框架的交通标志识别系统界面。