随着经济科技的快速发展,机动车保有量的提高带来交通拥挤、环境污染等一系列的问题,对社会的发展造成了不利的影响。智能交通系统应运而生并迅速发展,其中车道线检测和交通标志识别系统作为其重要的组成部分之一,为司机或者自动驾驶的控制系统提供很多的路况信息,缓解司机监视外界环境的压力,是自动驾驶和辅助驾驶中保证行车安全的关键技术。辅助驾驶目前主要应用在结构化道路上且技术尚不成熟,因此准确检测出车道线的位置是重要课题之一。此外,道路交通环境复杂多变,道路场景中的光照、天气、遮挡以及拍摄角度等因素对交通标志识别提出了很高的要求。随着近年来中国北方地区频频出现雾霾天气,使得传感器采集的图像信息模糊降质,细节信息的丢失为交通标志识别和车道线检测带来极大的挑战。本文对雾霾天气下的交通标志识别和车道线检测进行研究,解决雾霾引起的画面降质问题,并在此基础上实现车道线的快速检测和场景内交通标志的识别。本文的主要工作分为以下四个部分:首先,在图像去雾方面,本文分析了基于暗原色先验和MSR的去雾算法,通过快速导向滤波细化估计透射率以及优化大气光值的估计值,减少暗原色算法在图像边缘以及距离突变处产生的光晕现象。在此基础上,MSR在HSV模型对图像进行二次增强,解决画面偏暗的问题,并通过实验对比验证改进算法的有效性。其次,在车道线检测方面,综合考虑应用基于模型的算法来实现检测。首先建立车道线模型,并对道路图像进行灰度化、降噪以及Canny边缘特征提取的预处理操作。应用掩模技术准确筛选出感兴趣区域,再采用Hough变换与最小二乘法检测出车道线。然后,本文在分析雾霾天气下场景内交通标志传统识别算法及其应用的基础上,分别研究了基于颜色和形状特征的交通标志分割算法,并将基于HOG和SVM的交通标志识别算法应用到雾霾场景内,在采集的数据集上实现了比较高的识别率,但存在一些误检、漏检现象,具有一定的局限性。最后,本文分析了基于深度学习的目标检测算法,将精度比较高的Faster RCNN网络模型应用到雾霾天气下的道路标志场景内。针对小目标漏检现象,对内部的VGG16网络进行特征融合的改进,并在采集的数据集上进行实验,验证了模型的可行性,对小目标有很高的识别率,并且模型鲁棒性高,在光照不均、背景复杂、形变、阴影、模糊等恶劣条件下能准确定位识别出交通标志。