随着各国汽车保有量的爆炸式增长,智能交通系统应运而生,作为其重要组成部分的辅助驾驶系统起着越来越重要的作用,而交通标志识别系统作为辅助驾驶中不可或缺的一部分受到了各国学者的广泛关注。交通标志看似形状规则颜色鲜明,但是其在户外受到各种因素的影响,准确识别至今仍有很多技术难题亟待解决。本文针对交通标志识别系统中的检测和识别部分进行了深入研究,具体总结如下:在交通标志检测部分,本文给出了 一种基于大小窗并行搜索的交通标志检测方法。该方法属于基于模板的检测方法,利用两个大小不同的滑动窗口在交通场景图像中并行滑动扫描提取其HOG特征,并用训练好的两个SVM分类器分别判断窗口中是否存在交通标志,最后,处理并行检测的结果获取最终的检测结果。该方法在提高检测准确率的同时有效的抑制了误检的发生,能够检测到各种不利条件下任意颜色和形状的交通标志。在交通标志识别部分,本文给出了一种基于分流逐步细化的交通标志识别方法。该方法首先根据交通标志的特点,按照不同的颜色和形状,提取HOG特征并用一级SVM分类器将交通标志粗分成几个大类,然后针对各大类的特点再进行逐级细化的二级SVM细分类,最后得到最终的识别结果。针对禁止和警告标志两大类,本文方法首先提取了红色外沿内部的标志差异区域后,再进行细分类准确率有明显提升。由实验结果可知,本文方法能够快速准确的识别出多种类型的交通标志。最后一部分,本文利用深度学习网络的泛化特性,以及目标识别的敏感特性,在Caffe下构建并训练出一个基于卷积神经网络的深度网络模型,该网络模型可以同时完成交通的标志检测和识别。在TT100K和交通标志图像识别挑战赛数据集上进行了测试,实验结果表明,本文方法可显著降低交通标志的漏检和误检。