深度学习相关技术发展势头迅猛,在交通标志识别领域得到了广泛应用。一方面,传统的交通标志识别模型结构复杂,从头训练花费大量时间。另一方面,虽然迁移学习节约训练时间,但是源模型（教师模型）和其衍生模型（学生模型）具有相似的结构和参数,教师模型的对抗性样本容易被其学生模型分类错误。目前可以利用“指纹”识别法准确找到与学生模型对应的教师模型,如果敌手成功攻击对应的教师模型,投入应用的学生模型的安全会受到严重威胁。为了解决上述问题,本文首先提出一种利用知识蒸馏原理训练交通标志识别模型的新方案。作为一种迁移学习方式,知识蒸馏不仅可以在训练过程中压缩模型结构,而且提高了小架构模型的鲁棒性和训练效率。本文蒸馏训练的Distillation-VGGNet不仅可以高精度地识别交通标志,而且结构精简、方便大规模部署。其次,本文提出一种轻量级的防御方法,对Distillation-VGGNet学生模型进行改进,降低学生模型与其教师模型的参数相似性,提高其鲁棒性。论文主要工作如下:（1）针对交通标志分类模型的训练过程需要大量标签数据、模型结构复杂、不方便大规模部署的问题,首先对自行采集的交通标志数据进行预处理,然后设计交通标志识别模型Distillation-VGGNet的架构,并采用知识蒸馏的迁移学习方式对其训练。最后仿真测试Distillation-VGGNet学生模型在CN-TSD上的识别准确率达到98.8%,与当下主流模型相比,具有更高的识别准确率。（2）针对蒸馏学生模型容易受到其教师模型的敌手攻击的问题,提出增加权重差异防御方法。本文在不明显降低学生模型对干净样本识别准确率的基础上,提升学生模型对教师模型对抗性样本的分类能力。本文首先利用PGD（Stochastic Gradient Descent）算法和CW2（Carlini-Wagner）算法分别生成教师模型的对抗性样本,然后将两个对抗性样本集分别加载到改进前后的蒸馏学生模型,以评估学生模型的鲁棒性。实验测得改进后的蒸馏学生模型对CW2攻击以及PGD攻击产生的对抗性样本的准确率分别提高了20%和16.7%,表明本文提出的改进方法使学生模型的鲁棒性更好。