随着汽车保有量和驾驶员人数的大量增加,交通事故的数量也一直居高不下。交通标志识别是高级驾驶员辅助系统的核心技术之一,高准确率和实时性好的交通标志识别可以及时地根据车辆路面环境给驾驶员以反馈,辅助驾驶员的行车决策,从而减少或尽量避免交通事故的发生;另一方面,交通标志识别也是近年来无人驾驶车辆研究和发展的关键技术之一,故交通标志识别研究是一项具有重要研究价值和实际意义的课题。本文在对交通标志检测识别方法的国内外研究现状进行了详细总结和分析后,确定基于卷积神经网络的识别方法在近年来取得了很好的准确率;对德国交通标志识别库数据集中的图片进行了一系列的预处理操作,包括图像裁剪去除冗余背景、用限制对比度的直方图均衡化方法进行图像增强和图像尺寸归一化,最终获得了高质量的数据集图像;在对卷积神经网络的网络特点、层级结构和超参数等进行了详细的分析后,介绍了已经在图像识别领域取得了很好效果的经典卷积神经网络模型,最终在其基础上提出了本文用于交通标志识别的改进卷积神经网络模型,该模型在数据归一化方式、Dropout层和卷积层通道数上均做了改进,并且也在实际测试中验证了改进方案的有效性;通过实验对比和分析,确定了网络模型的最优超参数,完成了本文所提出的新的改进卷积神经网络模型的预设参数优化,最终确定的用于交通标志识别的改进卷积神经网络模型在德国交通标志识别库上进行测试获得了99.17%的识别正确率,并且平均每幅图像用时仅7毫秒,满足了对准确度和实时性的要求。