随着城市道路交通的发展,智能交通系统(Intelligent Traffic System,简称ITS)应运而生,交通标示作为智能交通系统的重要组成,对交通安全起到至关重要的作用,因此如何快速准确的定位及分类出交通标志被广泛研究。自然场景下的交通标志有着显著的颜色及形状特征,对交通标志的检测及识别提供了有利条件,但因光照多变,相近背景干扰及交通标志在场景图像所占比例较小,特征提取不足等问题,一定程度上影响了交通标志的检测及识别准确率。而卷积神经网络(Convolutional neural network,CNN)因其良好的参数学习及自适应特征提取能力在目标分割及物体识别取得瞩目成绩。因此本文提出改进的交通标志检测系统。本文的主要成果概括为以下三个方面。第一在颜色分割方面,为去除相近背景干扰等因素,提出差值化R/B算法来分割交通标志候选区域。在德国交通标志检测数据集(German Traffic Sign Detection Benchmark,GTSDB)上的实验表明,与其他颜色分割算法相比,本文分割算法能有效降低误检个数,且拥有较好的实时性。为进一步提高算法实时性,提出分割天空区域的Retinex算法进行图像的增强预处理。最后实验表明,本文算法的实时性有效提升。第二针对因候选区域普遍尺寸较小,基于CNN的特征提取不足问题,,提出多层特征融合的卷积神经网络(Multi-layer feature fusion convolutional neural network,MLFF-CNN)。首先,提出适合交通标志特征提取的MLFF-CNN结构;其次,提出多尺度滑窗池化(Multi-scale Sliding window Pooling,MSP),改进单层空间金字塔池化,以降低边缘信息损失。实验表明,基于交通标志提取的MLFFCNN模型,能够提升小尺度交通标志的检测准确率。第三本文使用基于卷积神经网络的层次化的分类算法,将德国交通标志识别数据集(German Traffic Sign Recognition Benchmark,GTSRB),粗分为限速,指示等六大类,然后再对每一个大类进行细分到具体类别,最后验证了分类算法具有较高的识别率。另外,开发了检测及识别系统的软件平台,显示检测及识别过程中的处理结果。