随着社会的进步和科技的高速发展,人们的生活水平在不断提升,大部分国人已经开始逐渐能够接受汽车的消费。此外,生活水平的提高使得人们更加注重生活质量,汽车已经成为很多人的出行方式。汽车使生活更加便利、出行更加快捷,提高了生活质量和办事效率,但越来越多的汽车导致交通拥堵和交通事故也越来越严重、越来越频繁,使得交通安全面临严峻的考验和道路通畅效率降低。对于驾驶员行驶在陌生的路面来说,起指示行驶作用的交通标志起到了关键作用,于此同时,也要对交通标志识别模型进行异常检测,这关系到驾驶员的安全。本文在总结了大量国内外相关研究的基础上,利用深度学习用于交通标志识别、后门攻击和异常检测的研究。主要工作内容如下。(1)基于EdLeNet网络进行改进为EdLeNet＿LM网络模型,并用到了提出的Leaky Mish激活函数。对GTSRB数据集进行图像灰度化、归一化和数据增强等图像预处理技术,并对预处理模型进行了比对。EdLeNet＿LM网络模型的交通标志识别准确率为98.54%,比EdLeNet网络高0.68%。(2)对后门攻击和异常检测的研究,在训练EdLeNet＿LM模型时注射后门,通过反向工程触发器进行异常检测,利用异常指数证明模型是否被感染。(3)交通标志识别系统设计与实现。通过需求分析,对系统设计,最后实现系统。本系统以深度神经网络后门攻击为研究,对交通标志识别模型进行异常检测。系统分为三个部分,交通标志、识别和后门攻击。在Flask框架下,调用训练好的模型,实现交通标志识别系统。