伴随着人工智能技术的快速发展,汽车的自动驾驶引起了国内外大量专家学者和科技公司的研究兴趣,随着研究的进展,自动驾驶汽车慢慢的从科幻变为现实。无人驾驶最需要的功能是对周围环境的感知能力。作为在道路行驶的车辆,最需要感知的就是道路信息,其中交通标志是道路信息最为重要的承载体。所以对交通标志的正确识别,是无人驾驶技术最重要的部分之一。对于交通标志识别,国外早在上个世纪的八十年代就开始了在相关领域的研究工作,国内在这方面的研究要晚于国外。早期对交通标志识别算法的研究主要是基于交通标志的颜色、形状等特征加上统计学习方法来实现对交通标志的检测识别,其不足在于光照、天气等自然因素和拍摄角度对这类特征的影响较大,导致该类算法的检测识别准确率比较低。随着图像处理技术的发展,高级的图像特征被提出并被用于交通标志识别,这一阶段交通标志识别算法的准确率较早期的算法有明显的提升,但是存在识别交通标志的类别过少,实用效果不明显等问题。随着卷积神经网络在图像处理方面的成功应用,一些优秀的卷积神经网络被用于交通标志检测,其检测交通标志的种类不断增多,准确率不断提升,但是,目前的大型深度神经网络只能在PC端进行运行,无法很好的移植到移动端,很难实现在车辆上的应用。通过对现有交通标志检测算法的研究分析,本文提出了直接使用RGB颜色空间进行交通标志定位,并将这些定位区域送入Alexnet神经网络进行识别的方法。RGB颜色空间早期被用到过交通标志的定位中,由于光照对RGB颜色空间的影响较大,导致基于RGB颜色空间的定位方法很少使用,本文通过直方图均衡化的方法初步降低光照等自然因素对RGB颜色空间影响,并提出了一种RGB颜色空间通道值做差阈值自适应的方法进一步降低了上述因素对颜色空间的影响,使分割算法具有更快的速度、更强的鲁棒性。为了快速的在二值图中定位出交通标志区域,本文对现有的二值图直方图统计方法进行了改进,采用了多次直方图统计的方式进行交通标志定位,使定位速度和准确率得到了显著提升。同时,采用神经网络作为分类器,使检测算识别交通标志的种类大大增加,识别准确率也得到提升。