近些年来,我国经济获得快速发展,汽车在人们的日常生活中越来越普及,人们对安全、快捷的智能交通系统的需求也越来越大。而交通标志是交通运输系统的关键设施,对于规范人们的交通行为、指示道路状况等方面有着重要的作用,因此交通标志的检测与识别是实现智能交通系统的关键点。对道路中的交通标志进行精准的定位与识别对于实时分析道路状况,给驾驶员和智能交通系统提供必要的交通信息至关重要。然而,在实际道路场景中的交通标志容易被光照、天气、遮挡、形变、褪色等外部和内部因素干扰,给检测和识别带来较大麻烦。此外,由于交通信息的实时性需求,我们提出的算法在追求更高准确性的同时,还要兼顾算法的执行速度,这就对我们的检测和识别的方法提出了更高的要求。本文对道路交通标志的特征和在自然场景中可能受到的干扰情况进行了深入的研究。并结合国内外学者们的研究成果,提出了一个基于最大稳定极值区域(MSER)算法和卷积神经网络(CNN)的交通标志检测方法。此外,本文提出了一个改进的CNN网络模型来完成交通标志的识别。本文的主要工作如下:(1)深入分析了交通标志的颜色、形状特征和环境因素对道路图像的影响,提出了一种基于MSER+CNN的交通标志检测方法。考虑到交通标志具有独特的颜色特征,对道路图像中的特定颜色进行增强得到交通标志区域增强后的灰度图像,然后使用MSER算法对增强图像中的稳定区域进行检测,得到感兴趣区域(ROI)。然后根据交通标志的宽度、高度、面积、宽高比等形状特征对ROI作初步的筛选。最后训练一个CNN模型来对初步筛选过的ROI进行二次判别,最终获得道路图像中交通标志的准确位置。(2)对于交通标志的识别,本文首先使用直方图均衡化和图像归一化对交通标志做预处理。然后分析了现在常用的用于图像分类的CNN模型的优缺点,最终选择LeNet-5模型来完成交通标志识别。并通过分析LeNet-5模型的实验结果指出经典LeNet-5网络在交通标志识别方面存在的问题。接着提出了改进之后的CNN网络模型,并对改进后的网络模型与其他识别方法对于交通标志识别的识别率和识别时间进行了对比和分析。实验结果表明,本文改进后的网络模型在识别率和实时性方面相比其他经典网络模型和特征提取+分类器的方法都具有一定优势。