交通标志检测是辅助驾驶系统的重要组成部分。近几年,卷积神经网络的应用使得目标检测算法获得了突破性进展。现有的基于卷积神经网络的目标检测算法在通用数据集上取得了很好的表现,但是将其直接应用到交通标志检测任务中时,都难以获得较好的检测效果。本文提出研究基于卷积神经网络的交通标志检测算法,在如下几个方面做出了创新性的研究成果:第一,提出利用交真比标准对SSD算法的采样策略进行改进。相比于通用目标检测场景,交通标志检测任务中目标只占据图像非常小的比例,而SSD算法利用基于交并比(Intersection over Union,IoU)标准的采样策略难以对目标有效地采样,在训练中会压缩目标尺寸,造成训练样本尺度单一和训练尺度不完整的问题。本文利用交真比(Intersection over Ground-truth,IoG)标准控制采样目标的完整度,通过随机调节采样框尺寸达到对目标多尺度采样的目的,使得算法的检测精度获得了显著提升。第二,提出了一种基于分步深度学习的交通标志检测算法。首先对图像进行均匀地网格划分,然后构建轻量级全卷积网络快速预测出包含目标的网格,确定交通标志目标的潜在区域,进而根据目标粘连性准则对相邻目标候选区域进行合并,得到最终的目标候选区域。由于此时目标范围大大缩小,因而设计结构精简的深度学习网络快速地对候选目标区域进行判别,得到最终的目标检测结果。该算法在TT100K数据集上获得了91%的准确率和92%的召回率,同时在TITAN X上获得了20.9FPS的检测速度,无论是检测精度还是在算法的实时性上都大大优于传统算法。第三,提出采用深度可分离卷积对基于分步深度学习的交通标志检测算法进行优化和加速。在移动平台上,常规算法难以对交通标志实现快速而准确地检测,本文提出采用深度可分离卷积对分步检测算法的目标网格预测网络和交通标志检测网络进行了优化和加速,显著提升了算法的检测速度。加速算法牺牲了6.6%的检测精度,但是检测速度提升了23倍,在移动平台上达到了6FPS,同时在TT100K数据集上对中、大尺度目标获得了89.5%的准确率和86.7%的召回率。