随着人民物质生活水平的不断改善,汽车已经成为大众消费品进入寻常百姓家庭,数量庞大的机动车给人民带来便捷生活的同时也给交通秩序带来了极大的压力,交通事故造成的人员伤亡和经济损失居高不下。因此智能驾驶系统一直以来都是相关研究者和政府决策者重点关注的领域。交通标志识别涉及种类繁多的交通信息,能够为驾驶员以及车载电脑的驾驶决策和规划提供关键依据,准确实时的交通标志识别是驾驶安全的重要保障。为了实现在各种日常行车场景下准确实时的交通标志识别,通过构建场景覆盖全面、类别分布均衡的本土交通标志数据集,并使用基于深度学习的目标识别方法进行实验研究。相关工作主要从以下三个方面展开:1)在包含夜间及阴雨天气条件的多种日常行车场景下,拍摄含有道路交通标志的视频,对采集来的数据进行清洗与数据增强,并完成人工分类与标注。此外,针对个别分类样本数目偏少而导致的模型分类性能失衡的问题,对相应类别进行补充,提升数据集的类别均衡性。2)针对不利光照条件下的图像失真问题,采用限制对比度自适应直方图均衡化算法来增强图像细节。针对夜间、阴雨等弱光条件下的图像噪声问题,使用中值滤波算法进行去噪处理,尽可能还原图像的特征信息。针对运动状态下的图像模糊、拖影问题,采用拉普拉斯滤波算法进行锐化处理,强化图像中物体的边缘信息。通过预处理突出目标特征,为后续识别算法的有效实现打好基础。3)基于YOLO-v3算法和Efficient Det算法在交通标志数据集上的表现进行对比分析,选择性能更好的的Efficient Det作为基础的深度神经网络结构,通过数据集的均衡化、Mosaic和Mixup多样本合成算法的运用以及梯度累积、预训练、平台期的学习率下降等训练策略的调整,对模型进行性能优化。经过优化的交通标志识别模型在晴朗天气、阴雨天气、夜间、部分遮挡、复杂背景、运动模糊等各种常见的交通场景下均具备良好的鲁棒性,最终实现了约86%的识别m AP,推理速度超过20 FPS,兼顾了交通标志识别任务的精度和速度要求。