现今,以道路交通为主的交通方式迅速发展起来,随之而来的是频繁发生的交通事故。针对这个重要问题,智能交通系统逐渐发展起来,交通标志检测是其中的关键环节之一。但实际交通环境由于受到各种外界因素的影响,交通标志检测存在很大难度。近年来,随着计算机运算能力的提升,通过训练深层卷积神经网络,并运用于目标检测的方法,得到了学术界的广泛研究和青睐。Faster R-CNN是其中的一个典型代表。本文围绕基于Faster R-CNN的方法对交通标志检测任务展开研究。然而,直接使用Faster R-CNN进行交通标志检测,依然存在以下几大困难:1)获取交通标志数据过于繁琐,而且人工标注费时费力,因此,具有标注的交通标志图像资源有限,难以训练得到比较好的模型;2)由于采集的图像受各种因素干扰,有的图像质量较差,而且小尺寸交通标志比较多,给交通标志检测任务带来了很大的挑战。针对以上问题,本文主要工作内容如下:(1)提出一种基于透视变换的数据增强方法,可使图像产生立体变换效果,以模拟真实情况下不同的拍摄角度,从而有效扩充数据集。对于交通标志检测任务,该方法比普通数据增强方法更有效。(2)由于大多数交通标志占图像面积比例较小,Faster R-CNN的RPN获取的训练样本中,负样本数量远多于正样本,影响网络的训练效果,因此本文提出对RPN网络获取的正负训练样本进行均衡的方法,以获得更好的训练效果。(3)为了提高质量较差图像的检测效果,本文提出在Faster R-CNN前添加基于HSV颜色空间的阈值分割方法,去除大量的背景信息,增强交通标志在图像中的显著性,从而降低进一步检测的难度。(4)本文使用残差网络作为特征提取部分,借助残差网络的捷径连接结构,构建了多尺度连接的残差Faster R-CNN,使得后层包含更多前层的信息,在获得更深层的特征表达的同时不会出现网络退化,对交通标志检测,尤其是对小尺寸交通标志的检测具有明显优势。本文将提出的方法在获取的数据集上与原Faster R-CNN进行对比分析,mAP提升8.6%,并与其他几种效果比较好的目标检测方法进行对比,验证了本文所提出的方法的优越性。