随着社会的发展,机动车的大范围使用造成交通拥挤,事故频发,公路交通安全和运输效率等问题变得日益突出。在此背景下,发展具有主动安全技术的智能车辆已成为各国政府、研究机构和汽车制造商的一个重要目标。基于计算机视觉的交通标志识别是智能车辆的关键技术和难点之一,它包括自然场景下交通标志的检测与交通标志的分类两大块。先前的学者对这些问题进行了多年的研究,但问题仍然没有得到很好的解决,主要表现为复杂环境下算法的鲁棒性较差。本文针对圆形和三角形交通标志进行检测与识别,主要对以下3各方面进行了研究工作。第一在颜色分割方面,本文分析了常用的一些颜色分割算法的优缺点。针对光照变化,背景干扰等不利因素,本文在三分量色差法的基础上,提出了自适应混合灰度法,将原先三分量色差法用于转换色差灰度图的固定阈值转换为具有一定自适应的动态阈值,能适合更多的光照场景。同时,为了在一定程度上克服大面积的背景干扰,对大面积的像素块中小于一定饱和度阈值的像素都当做背景从图像中除去。实验结果表明,该颜色分割方法相比其他的颜色分割方法能更好的适应不同场景下的光照,并且能较好的将交通标志从颜色相似背景中提取出来。第二在轮廓形状检测方面,本文分析了常用的圆形和三角形标志检测算法。针对圆形交通标志的检测,本文提出了加强型椭圆最小二乘拟合法,该方法在随机椭圆最小二乘法的基础上,引入了图像细化算法。实验证明本文的圆形标志检测算法能提高对形变和遮挡圆形标志的检测率。针对三角形标志的检测,本文提出了一种基于轮廓逼近的三角形检测算法,在轮廓凸包化和凹陷筛选的基础上对轮廓进行多边形逼近。经过实验证明,相比其他三角形检测法,该方法的实时性较高,误检率较低,并且对形变和遮挡的三角形标志也具有较好的检测率。第三在识别算法上,本文对样本图像提取hog特征,用PCA技术对hog特征进行降维处理,消除了hog特征中的冗余信息,提高了算法的识别率和实时性。在机器学习算法上,本文选取常用的神经网络,极限学习机和支持向量机三种机器学习算法,对他们性能进行了比较,证明了支持向量机在三种算法中具有最好的识别效果。最后,本文对包含交通标志的实际道路场景视频进行处理,取得了较好的识别效果。