交通标志识别是目标检测领域的一个热点和难点。自然场景下的道路环境复杂多样,交通标志牌在环境中的占比非常小,自身的有效特征会被背景环境中诸如广告牌、树枝等物体遮挡和稀释,导致识别难度增大。交通标志识别用于自动驾驶、辅助驾驶等车载场景时,其识别速度越快,越能及时发现重要交通标志并反馈给驾驶员,这对交通标志识别的边缘部署能力和处理速度提出了要求。而现有的交通标志识别方法中,很难兼顾在嵌入式场景下对小目标识别的准确率和处理速率。针对上述问题,本文尝试将深度学习方法应用于交通标志识别,同时面向体积、功耗受限的车载环境,研究了交通标志识别方法的FPGA（Field Programmable Gate Array）部署,其中主要工作如下:（1）针对交通标志在自然场景下占比小、有效特征被稀释的问题,对数据集进行改进,通过过采样、复制样本目标的方法增强数据集,改善网络识别效果。（2）针对卷积神经网络YOLOv4-tiny对小目标的识别率、召回率低的问题,对网络结构进行改进,利用特征融合的思想,将YOLOv4-tiny提取的高层次语义特征和低层次原始特征相融合,增加了 52×52尺度的输出,使分割图像的像元变小,并在网络训练前使用聚类方法设置了新的先验框参数,改进后网络的平均精度由44.2%提升至83.0%。（3）针对交通标志检测技术对于边缘部署和推理速度的要求,对YOLOv4-tiny的权重进行了动态定点量化,将网络参数在硬件平台上的资源占用从55.4%降至40.8%。在硬件部署时对三维卷积进行了循环展开和循环交换,设计了卷积加速通路,提高了卷积效率,将池化操作分解为横向池化和纵向池化,增加了突发传输长度,降低了传输时延。（4）在实验室环境下模拟现实场景中交通标志检测的场景,搭建了智能车作为FPGA验证平台的补充,进一步验证网络的实际性能,结果表明,本文交通标志识别方法在边缘侧的单帧推理速度为1.03s,较CPU性能提升了近24倍。