随着社会的进步与经济的快速发展,城市交通拥挤与堵塞现象日趋严重,成为现代城市发展的主要瓶颈之一,交通安全事故亦引起各国社会的普遍关注。在这种情况下,人们开始投入智能交通系统（ITS）的研究,智能交通系统（ITS）包括智能基础设施和智能车辆,其核心技术涉及模式识别、图像处理、数字信号处理、人工智能、电子技术、信息技术、通信技术和系统工程技术等,是一门综合性技术。目前,各国都在致力于ITS的研究和构架。道路交通标志识别（TSR）系统是智能车辆的重要组成部分,它在车辆行驶过程中对出现的交通标志信息进行采集和识别,可及时地向驾驶员做出指示或警告,或者直接控制车辆的操作,以保持交通通畅和预防事故的发生。交通标志识别的重点和难点在于交通标志的分割、特征提取以及分类识别器的设计。本文在将交通标志从复杂的背景中进行分割的研究中,通过对交通标志外形特点和色彩特征的研究,提出了一种减弱光照影响的基于RGB模型的交通标志分割方法。在RGB模型中R,G,B分量极易受光照的影响,但是三种色彩对应下分量的差值却保持在一定的范围之内,即受光照影响不大。这就是本文提出的基于RGB模型的交通标志分割新方法。该方法可以直接对采集到的图像进行分割,避免了计算量复杂的模型转换,提高了算法的运算效率。在此基础上,本文对大量交通标志进行了图像分割实验,实验表明这种方法对交通标志的分割效果很好。特征提取是构造交通标志识别器的前提,提取能够表达交通标志类型的特征对交通标志识别器尤为重要。由于物体的不变矩具有尺度、平移和旋转不变性,所以不变矩在目标识别中的应用广泛。本文通过对不变矩理论的研究,将Hu不变矩进行推广,得到10个相对矩,这10个相对矩同样具有尺度、平移和旋转不变性。由于采用矩之间的比值去掉了比例因子u₀₀,从而使不变矩公式与面积或结构的比率缩放无关,所以也适用于区域封闭和不封闭的结构。本文对部分交通标志提取了相对矩,并对数据和不变矩作为交通标志特征的可行性进行了分析。由于支持向量机的特点以及在模式识别分类中体现出的巨大潜力,本文对统计学习理论和支持向量机原理进行了大量的研究工作,提出了基于决策树支持向量机的多分类器的交通标志识别模型。通过大量实验和比较,本文得到了识别效率高的模型,并将这一模型应用到本文研究的交通标志识别系统,对系统作了初步的实现。