交通标志是交通系统中的一种重要设施,在无人驾驶系统的多个领域也发挥着作用。在感知中,需要准确地识别出交通标志的类别以辅助进行驾驶决策;在建图和定位中,需要稳定地检测出交通标志的图像分割。本文针对无人驾驶对交通标志的感知需求,分别提出了交通标志的检测与分割算法,并提出了一种使用交通标志进行车辆自定位的算法。对于交通标志检测任务,本文提出了一种细粒度的层次架构目标检测网络。交通标志通常具有上百个细粒度类别,很多类别形状颜色十分相似,而传统目标检测网络对细粒度类别常常识别不准,容易出现误分类。本文利用细粒度类别可以聚合为几个超类的特性,首先对超类进行目标检测,对检测结果共享超类网络的特征层,提出了带标签的RoIPooling操作,并到对应的超类分支上进行细粒度分类,从而实现了一个端对端的细粒度检测网络。实验显示提出的方法能获得很好的准确率,并对细粒度类别识别准确。对于交通标志分割任务,本文提出了一种基于边缘提取的分割算法。图像分割网络常常需要大量的图像标注数据,并占用很多计算资源,而交通标志具有明确的几何形状特征,可以通过直接提取边缘信息获得其分割结果。本文在目标检测结果的基础上,首先提取边缘直线作为候选,使用DBSCAN聚类算法和空间位置过滤得到几何边缘,并提出一种基于图像梯度的边缘校正算法,得到轮廓分割结果。实验显示提出的方法在各种场景下均能获得稳定准确的效果。最后,本文提出一种基于交通标志的车辆定位方法。传统视觉定位算法常受到动态物体和遮挡的影响,而交通标志能很好地解决这个问题。本文提出一种基于运动恢复结构的框架实现视觉定位,并提出使用交通标志轮廓点进行多帧匹配,从而避免了特征点误匹配引入的误差。最后,视觉定位结果与IMU和里程计通过扩展卡尔曼滤波进行多传感器融合。真实场景实验显示,本文提出的方法能获得亚米级的定位精度,并具有较好的鲁棒性。