交通标志检测与识别作为智能交通系统重要的一个环节,对于发展无人驾驶具有十分重要的意义。在实时道路交通中,车载摄像机拍摄获取的场景图像,部分交通标志可能被周围的障碍物遮挡,受到的光照强度发生改变以及因运动而导致交通标志模糊等因素,这些都加大了智能交通系统中交通标志检测与识别的难度。针对这些问题,提出了使用一种卷积神经网络的算法对交通道路环境下的交通标志进行检测与识别,以便提高交通标志的检测速率和识别率。本文以我国道路交通标志为研究对象,主要包含三大类的交通标志:警告标志、禁止标志、指示标志。在自然场景中,车载摄像机连续拍摄获取的高清分辨率的道路交通标志进行检测与识别分类展开研究。这样获得的数据集相较于德国交通标志基准的好处在于相邻图像之间存在一定的关联性,可以很好的解决因角度变化引起拍摄获取的交通标志反光、遮挡、运动模糊等问题。此外,为了增加数据集样本的多样性和鲁棒性,我们采用仿射变换技术,数据集样本扩大几十倍。在交通标志检测过程中,我们在Huval等人设计的卷积神经网络进行改进,设计使用一个七层的卷积神经网络并结合Faster R-CNN算法中的RPN结构对其提取候选区域。此外,综合检测速率和卷积运算过程中对GPU的消耗考虑,我们在卷积神经网络结构第六层再分支分别进行全连接操作,然后,在对检测到的候选区域进行回归等操作。为了更好检测到部分在图像中占比极小的交通标志,我们分别在设计的卷积神经网络结构中的第二层和第七层进行RPN操作。在交通标志识别过程中,我们设计的网络结构是在交通标志检测的卷积神经网络结构的基础上增加一个label分支。通过label分支层的运算,我们可以知道对于检测到的交通标志属于某一类的概率值是多少。为了提高我们分类的准确率,我们在采用了多特征融合策略,分别在卷积神经网络结构的第二层、第五层和第六层增加一个ROI的池化层,这样不但充分利用了图像的底层信息,而且还做到了将输出的结果归一化到同一尺寸。