交通标志作为一项按照严格标准制定的道路设施,对反映当地路况、疏散交通、保障安全有序的行车环境都具有重要的作用。随着现代智能驾驶技术的提高,交通标志的自动检测与识别愈发成为无人驾驶领域的热门探讨课题。传统的机器学习算法往往只能捕捉到交通标志单一的特征,且大都依赖于先验处理和经验判定,不具有普适性。基于深度学习的方法则通过构造深度卷积神经网络(Deep Convolution Neural Network,DCNN)模型,能够挖掘到交通标志更多层次、更加丰富的语义信息,在实现智能检测与识别的同时适应了实时性和精准度的要求。本文在充分研究单阶和双阶目标检测网络的优势和劣势,以及各种多尺度检测方法的基础上,提出了两种基于深度学习的交通标志牌检测与识别方法。一种方法通过构建残差SSD(Single Shot Multibox Detector)网络,并采用由粗到细的多尺度分块策略完成交通标志的检测与识别。首先对高分辨率的交通图像进行多尺度分块,然后对中等尺度下的图像块进行粗检,接着将与粗检结果相关的其他尺度下的图像块放入残差网络进行精检。训练模型时利用难例挖掘方法保持正负样本比例平衡,测试时通过原图像与图像块层级两次非极大值抑制筛选来优化预测结果。实验表明,这种由粗到精的方法检测精度较高,但由于多尺度图像块数量庞大,整个过程耗时较长。另一种方法通过构造级联网络来实现对交通标志的检测与识别。首先采用单一尺度分块减少图像块数量,然后采用级联网络的结构,通过在RetinaNet网络之后级联一个二分类网络以减少假阳性实例。RetinaNet网络的FPN结构融合了多层特征图信息,二分类网络则能对一阶段的预测结果进行前景和背景的补充判别,进而提高预测精度。训练模型时利用Focal Loss分类函数解决类别不平衡问题,测试时通过一定的准则来综合级联网络两个阶段的预测结果。实验表明,这种级联网络的方法在精度和耗时上实现了较好的折中,能够实现不同类别预测的基本平衡。