TSR(Traffic Sign Recognition,TSR)系统主要通过车载成像系统捕获道路场景信息,并从中识别出交通标志,达到提高驾驶安全的目的。所以,交通标志识别系统在辅助车辆智能驾驶和提高驾驶安全性方面发挥着重要作用,具有非常现实的研究意义。本文针对自然场景下光照条件变化、交通标志周围存在与其颜色相似的噪声干扰、局部封闭等情况对TSR系统的识别率造成的影响,以系统的准确率为主要目标,进行了比较深入的研究,其主要贡献和研究工作包括:1)针对自然场景中光照条件剧烈变化、交通标志周围存在与其颜色非常相似的背景干扰等因素,给交通标志检测的准确率带来的影响,提出一种基于边缘增强型MSER(maximally stable extremal regions)特征的交通标志检测方法。该方法首先采用灰度世界法对图像进行光照平衡预处理,并对预处理后的图像进行颜色增强和形态学滤波,明显区分交通标志和环境背景;然后,通过边缘增强型MSER特征,定位颜色增强图像中的标志ROI(regions of interest)候选区域;最后对这些候选区域使用一种基于霍夫变换的形状分析方法进行筛选处理。经基于公开的GTSDB(German Traffic Sign Detection Benchmark)数据集进行的对比实验结果,表明本文方法相较于同类型的检测方法,在准确率上提升了 20%左右。2)针对户外场景中拍摄视角、运动模糊以及局部遮挡等因素对交通标志检测准确率造成的影响,我们根据交通标志外围形状的双边对称性,提出了一种基于相位对称性的道路标志检测算法。该方法首先根据标志的颜色信息,对图像做红蓝化预处理,区分标志和环境背景;然后,通过对红蓝化图像做相位对称性检测,高亮突显具有对称性的局部红蓝化图像区域;最后采用MSER特征检测,提取图像中的标志ROI候选区域,并通过经验性几何条件约束,对候选区域做进一步筛除以得到更可靠的标志候选区域。通过在GTSDB数据集上的实验验证,该方法对交通标志的检测率到达94%。3)在上述检测方法研究工作的基础上,就交通标志识别的多分类问题,本文基于GTSRB数据库深入对比分析了不同维数的HOG(Histogram of Oriented Gradient)特征在两种实时分类器——随机森林和支持向量机上的识别性能。同时,为了提升模型训练的时间性能和分类效率,提出了一种基于Fisher准则的特征空间约简方法。实验结果表明,基于HOG特征的随机森林分类器比基于同类型特征的SVM分类器的识别率高出了2.1%。