在过去的几十年中,自动驾驶技术因其巨大的应用前景而受到了广泛的关注。然而,为21世纪的工程设计提供挑战性的方法之一仍然是提供更加准确,快速的检测和识别交通标志的算法。因此,研究人员希望从信号检测和识别的角度提高算法的性能。交通标志检测方面,本文采用基于Mask R-CNN的检测方法。用RestNet101-GFPN代替原始的特征提取网络,GFPN能够通过全局融合的语义特征增强图像原始特征,使金字塔中每个特征层均能从其他层获取相同的信息。在模型改进的过程中,为了使模型具有更高的召回率,调整RPN网络,以此获取高质量的区域建议,并使用Soft-NMS代替NMS,提高模型的检测精度。实验结果表明,改进后的Mask R-CNN模型在精确度、召回率、漏检率等方面都明显好于其他模型,具有很好的交通标志检测效果。交通标志识别方面,本文采用基于AlexNet的识别方法。为了使改进后的IAlexNet网络模型具有更好的识别精度,解决梯度弥散问题,在AlexNet网络模型的基础上加入了2个卷积层和2个Inception并联卷积层结构;为了防止模型的过拟合问题,在第二个全连接层后引入了Dropout层;为了减小模型的损失函数,使用BGD算法训练网络结构的学习参数。在GTSRB数据集上的实验证明,I-AlexNet网络模型的参数消耗更小的内存,具有更高的识别精度,有效缩短了网络模型的训练迭代时间,具有很好的识别效果。