在智慧交通系统领域中，交通标志检测和识别是重要的研究课题，它可以辅助驾驶员或者自主驾驶系统掌握路况信息和明确驾驶行为限制，有效地保证驾驶安全、减少交通事故。然而，基于图像处理技术的传统检测方法存在较大局限性，难以适应复杂多变的交通场景，无法满足实际需求。随着深度学习的兴起，基于卷积神经网络的交通标志检测方法发展快速并逐渐成为了主流的研究方向，但仍然面临很多挑战。本文对交通标志检测存在的难点和现有方法存在的不足进行了回归和总结。针对交通标志检测存在的小尺寸、多尺度、相似外观、兼顾检测性能和效率等问题，本文提出了一种卷积神经网络检测方法，实现在大而复杂的交通场景中，准确且快速地进行交通标志检测和识别。论文的主要的工作如下：
　　(1)由于一个需要完成复杂任务的神经网络通常难以兼顾检测性能和检测效率，因此，本文将交通标志检测分划分为定位和分类两个更具体的任务，并设计了两个独立的神经网络，定位神经网络和分类神经网络，来分别完成这两个子任务。实验结果表明，虽然使用了两个独立的神经网络无法实现端到端，但它们花费的训练更短，推理速度更快，检测效果更好。
　　(2)为了实现在高像素的图像中快速地定位交通标志，本文采用了fire模块来搭建轻量高效的定位神经网络，以减小神经网络的本身的复杂度；采用了基于中心点估计的检测框架，以简化候选区域生成流程；并适当地对神经网络的输入图像进行了降采样，以减小神经网络的输入规模。此外，本文对fire模块进行了改进，并通过融合不同层次的特征图来提取多尺度信息，使得定位神经网络在改善效率的同时，对小尺寸和多尺度的交通标志仍能达到较高的召回率和定位精度。
　　(3)由于同一子类别的交通标志在外观上非常相似，所以很难将它们准确地进行分类。通过观察发现，交通标志中心区域的图案往往存在不同。因此，本文采用了全局池化来从交通标志中心区域，提取具有更加丰富的鉴别信息的局部特征，以提高分类神经网络的准确性。实验结果表明，局部特征可有效地改善神经网络的分类性能，而且，对比常规卷积，全局池化对分类准确度的提升效果更佳。
　　最后，本文选用了大规模交通标志数据集TT100K对本文所提方法进行测试和评估。实验结果表明，本文所提方法在性能和效率上都超过了很多已有的领先的检测方法，对小尺寸交通标志的检测性能提升显著。