交通标志识别是无人车和驾驶辅助系统的关键技术之一。高质量的交通标志识别可以为驾驶员或者无人车实时、准确地提供交通路况、交通规则等信息,辅助驾驶决策,从而提高行车安全系数,减少或避免交通事故发生。交通标志识别是基于自然场景的识别,识别性能极易受到光照、天气、运动模糊、旋转倾斜、人为损坏等因素的影响,因此交通标志识别是一项非常值得研究并且具有挑战性的课题。本文设计并实现了一种改进的基于多尺度卷积神经网络的交通标志识别方法,实验结果表明了该方法具有一定的先进性。针对识别准确率和实时性这两方面的改善需求,首先,通过优化选取图像预处理方法,改善了待识别图像的质量;然后,设计多尺度卷积神经网络方法,提取多尺度特征;最后,使用SoftMax分类器实现对交通标志的识别分类。本文方法在德国交通标志数据库(GTSRB)上取得了98.82%的识别准确率和每幅图像仅0.1毫秒的实时性能。本文的工作主要有以下几个方面:1.鉴于自然场景中采集的交通标志图像质量参差不齐这一现象,首先开展图像预处理方法比选实验研究。最终选择了感兴趣区域提取、尺寸归一化和基于彩色图像的限制对比度自适应直方图均衡化方法作为图像预处理方法,图像质量得到改善。2.鉴于单一尺度的卷积神经网络在交通标志识别问题中的局限性,设计实现了一种多尺度的卷积神经网络模型,实验证明了局部与全局特征相互组合能够有效提高最终的识别性能。3.卷积神经网络在实际应用中存在参数及其取值难以选取的问题,本文针对权重初始化方式,以及激活函数、优化器、Dropout等参数取值做了比选实验研究,优化了参数取值方案,提高了识别准确率。