交通标志可以使驾驶员快速地感知道路交通信息,并有效降低交通事故的发生概率。交通标志通常都会被设计为显眼的颜色,但天气、光照等条件的不同使得驾驶员在较复杂的自然场景下很难去集中注意力分辨出每个交通标志的类别。此外,汽车上的行车摄像机需要在高速行驶中捕捉到交通标志的影像,而绝大多数情况下行车摄像机所记录的交通标志影像对于整张图像属于十分微小的目标,对于它的定位及识别面临着巨大的困难。因此,如何在自然场景下辅助驾驶人员精准地检测和识别出交通标志的类别具有重要的现实价值。本文通过研究深度学习模型在交通标志数据集TT100K上的表现,尝试着使用不同的深度学习模型来辅助驾驶员识别交通标志,使驾驶员在行车过程中更加专注于驾驶过程。本文首先研究了深度学习算法YOLOv4在交通标志检测及识别的表现。在驾驶员的视角中,自然场景下的交通标志属于比较小的目标,在训练过程中我们使用基于全局K均值聚类的方法进行anchor的回归,最终得出了适合在自然场景下的交通标志识别的边界框预测。其次为解决卷积神经网络在训练时产生内部协变量偏移这一现象,不同于传统的卷积层后面加批量归一化层分离的形式,我们使用BN融合的技术,将BN层融合到卷积中,增加了网络运行的速度,减少了大量的运算过程,提升了网络识别的效率。受汽车硬件环境的影响,目前现有的深度卷积模型很难直接应用到移动设备,在YOLOv4中为了增加模型的识别准确度,使用了多尺度的边界框选取大量候选区域,而这个操作使得模型的速度降低,我们设计了一种基于轻量化深度卷积模型,使用幻象网络（Ghost net）作为主干特征提取网络,这种模型使用线性映射代替网络中大量的卷积操作,大大减少了网络的计算量;设计了空间注意力模块,加强了主干特征提取网络对敏感信息的捕捉;在特征融合部分使用了路径聚合网络,并省去了路径聚合网络结构中所有的卷积操作,上采样和下采样均使用插值来完成,将多尺度的特征图直接进行相加,使得整个的特征融合的操作计算量变得非常小,并且在每个融合尺度的网络上增加了通道注意力模块,增加网络对特征的融合能力。结果证明,通过注意力机制对模型的改进以及对网络模型的轻量化,使得网络的整体识别速度有所上升,准确率也要优于不使用注意力机制的网络模型。