随着社会经济的发展,人口不断增长和汽车数量的增加,道路交通拥堵、交通安全、空气污染等变成了当下无法忽视的问题。而无人驾驶的出现将成为解决这个问题的研究方向之一。无人驾驶汽车比人类的反应更加灵敏、迅速与稳定,可以很大程度避免人为导致的交通事故。无人驾驶的路标识别是指利用车载摄像头获取道路场景图像,并识别出图像上的路标和语义,属于无人驾驶判断当前道路指示的重要内容,如何让汽车自动、准确的识别出路标具有重要的研究意义。当前主要的研究方向是之一通过路标颜色形状等特征进行匹配识别方,另外一种是基于机器学习的识别,此外还有近几年快速发展并成为研究热门的深度学习。本文在深入研究了几种经典方法的基础上做了以下工作:1、研究了基于形状的模板匹配算法的原理,并提出投影变换下的基于形状的模板匹配,对原来的匹配算法加入了投影变换,实验证明本文的算法提高了5.9%的准确度。2、研究了深度学习基于图像识别的算法原理,将卷积神经网络的算法运用到了路标识别中,深入研究卷积神经网络的架构,设计了模块化的卷积神经网络结构。基于TensorFlow的开源框架下,完成了算法的设计与实验,在GTSRB数据集上,进行了数据集的可视化和归一化的预处理。3、通过初步实验证明卷积层的初始深度为32,且卷积核大小为3×3,5×5时,卷积神经网络模型的性能更好,在此基础上又将输入的数据进行了数据集的扩充,灰度化处理和直方图均衡化实现了对比度的增强,然后增加了Dropout层防止训练过拟合的问题。在不同参数设定下,分别建立模型进行实验,并最终确立了最佳模型,增加迭代次数,将识别率提高到了98%以上。