无人驾驶技术所涉及到的学科比较广泛,当其在技术上有所突破后可以对当它学科的发展起到促进作用,所以无人车的发展越来越受到社会的重视。其中所包含的交通标志的检测与识别技术是无人车安全行驶的保障。由于受到外界环境的影响,比如光照、运动模糊等情况,给实际的检测带来了许多问题和挑战。本文为了满足无人车对于交通标志识别的要求,采用图像检测算法对交通标志的形状特征和颜色特征进行检测,然后将检测后的图片使用卷积神经网络进行分类识别。为了满足识别的准确率与速率的要求,本文对了VGG-16卷积神经网络进行修改,提出了VGG-8卷积神经网络,通过对其结构进行精简和优化增加其实用性,最终本文所构建网络的准确率可以达到96.54%,检测效果相比之前更好。由于本文最终目的在运动的车上完成检测与识别过程,所以在保证准确性的同时也要有较快的检测速度。为了满足要求,本文借鉴了SSD目标检测算法的思想,并对该算法进行改进。首先对SSD目标检测框架的主干网络结构进行改进,将其中的卷积层进行删减,并且将网络维度改为原来的二分之一,通过缩减网络结构可以加快检测速度,满足在实时性上的要求。由于原网络对小目标的检测效果不是很好,所以将其特征融合模块进行修改,增加了其对小目标的检测能力。为了验证本文算法的实用性,在40km/h的车速下,使用高速运动摄像机对路边的路况进行实拍,并将视频中的交通标志图片提取为测试样本。经验证,本文所述的算法较之前都有了提升。其中结合图像检测算法和VGG-8卷积神经网络进行检测的准确率更高,SSD目标检测框架的检测速率更快。