智能汽车的交通信号灯识别系统是其环境感知功能的重要组成部分。目前对信号灯识别方法的研究面临三大挑战:（1）场景内容复杂,环境条件多变导致信号灯识别准确性和鲁棒性降低;（2）信号灯识别缺乏语义信息,无法为车辆下一步控制提供信息;（3）识别准确性和实时性难以同时兼顾,无法适应实际工程需求。为了解决上述问题,本文提出了一种基于深度学习检测、聚合特征通道跟踪和车道级高精度定位的交通信号灯识别系统;搭建了基于嵌入式计算平台的可移动感知平台,并且进行实际道路测试。论文的研究内容主要有两个部分:（1）基于深度学习的交通信号灯图像识别与跟踪算法研究。首先,设计了深度卷积神经网络模型和聚合特征通道跟踪方法;随后建立同时检测和跟踪的机制,同时运行视频读取模块、深度卷积神经网络模型、聚合特征通道跟踪模块;设置帧间目标缓冲器,以滤除由错误检测或者检测闪烁引起的目标突变;最后,通过与现有方法的比较,验证了所提方法的有效性。（2）基于车道级高精度定位和图像识别算法的交通信号灯识别系统研究。首先搭建了基于嵌入式计算平台的可移动感知平台,制作点云地图,进行矢量信息的人工标注,对相机和激光雷达进行联合标定;随后采用激光雷达和正态分布变换算法确定行驶车道以及匹配的信号灯位置;最后,对候选区域中的图像内容使用前述的交通信号灯图像识别算法确定信号灯的具体位置和颜色信息。论文的研究结果表明:基于本文所研发的深度卷积神经网络的架构和聚合特征通道方法,论文构建的结合检测和跟踪信息的交通信号灯图像识别复合机制,适用于交通信号灯的图像识别。与传统的基于模型方法或单一的深度学习算法相比,论文所提出的图像识别算法对交通信号灯具有更好的识别精度和识别速度。论文利用多传感器数据建立基于车道级高精度定位和图像识别算法的交通信号灯识别系统,该系统能够准确判断控制车辆所处车道的信号灯及其语义信息。通过搭建基于嵌入式计算平台的移动传感器模组,并进行实车试验,表明本文方法能够满足交通信号灯识别系统要求。