如今我国经济高速发展,汽车作为经济发展的标志变的越来越多,然而汽车的增加,使我国面临巨大的交通压力,交通事故频发,安全驾驶问题越来越突出,因此必须发展智能化交通系统。在智能化交通系统中,最重要的是交通标志的检测与识别,在交通安全运行方面具有重大的现实意义,它能够减少驾驶员的驾驶疲劳,更好的保证出行安全。然而交通标志的检测与识别是一项具有挑战性的工作,在真实的环境中,交通标志往往处在比较复杂的背景中,交通标志或者被遮挡、或者老化严重比较模糊、或者光照比较强导致反光等,这些因素会给检测与识别带来困难。系统是装在汽车上,必须做到准确检测与识别,才能帮助驾驶员。本人在认真研究前人研究成果的基础上,主要使用深度学习技术对交通标志进行检测与识别。本文主要贡献如下:交通标志是小目标,在整幅图像中所占的比例比较小,然而现有算法中,利用深度学习对目标进行检测,主要检测的是大目标,在整幅图像中占的比例比较大。利用卷积神经网络处理图像是目前主流方法,小目标经过几层卷积后,在最后一层特征图上很难发现细节信息,所以现有方法对小目标检测效果并不是很好。为解决这个问题,本算法在前人工作的基础上,对网络结构进行了改进,不但使用最后一层卷积特征图还使用低端特征图。因为低端特征图依然保留有小目标的特征信息,因此同时在最后一层特征图和第二层特征图上操作,提高检测的准确率。并且本算法具有普适性,传统方法都是针对特定国家的交通标志来设计特征进行目标检测,这些系统只能检测特定国家的交通标志,应用在其他国家上检测效果不佳,而本算法使用的是深度学习,自动学习特征,可以用在多个国家的交通标志检测上,具有普适性。为解决真实环境中交通标志状况比较复杂,训练网络结构比较缓慢这个问题,本文提出基于优化卷积网络结构的交通标志识别算法。该算法主要把卷积神经网络结构进行优化。为解决网络结构训练时比较缓慢,在卷积层中加入批量归一化层,在训练卷积神经网络结构的时候,第一层训练完后,必然会导致第二层的输入数据分布发生变化,使第二层重新适应新的数据分布,必然浪费大量时间,而加入批量归一化层后,使每一层的输出数据归一化为均值为零,方差为1,这样后面的卷积层不必每次训练都得重新适应数据分布,使训练速度大大加快。在最后的分类层使用支持向量机分类器,支持向量机只对错误分类的样本进行训练,而分对的样本不再关注,这样使训练样本减少,加快了训练速度。为解决由于真实环境状况比较复杂导致识别率不高的问题,使用逐层贪婪训练算法。该算法主要是一层一层的训练,先训练第一层,把参数保留,然后用训练好的参数初始化第二个网络结构的第一层,再训练,把参数全部保留,以此类推。通过以上这几种方法,对卷积网络结构进行优化,不但使训练速度大大提升,也使真实环境中交通标志的识别率相应的提高。