基于视觉的道路交通标志检测和识别作为智能交通系统的关键技术,是高级驾驶辅助系统和未来全面无人驾驶系统实现道路感知的重要途径之一。复杂环境（气象条件）下交通标志检测和识别技术可靠性和适应性问题的研究在近十几年来取得了长足进步,然而,雾霾气象条件下有雾交通标志图像信息可鉴性下降、交通场景图像中小尺寸交通标志检测准确率较低以及大多数高性能的交通标志识别网络模型过于复杂导致应用受限等问题依然存在。论文的研究工作如下:1)提出了一种基于天空分割的单幅交通标志图像去雾方法,解决了雾霾气象条件下采集的有雾交通标志图像降质问题。首先,结合图像灰度特征优化大津算法得到的分割阈值,从而将交通标志图像准确地分割成天空和非天空区域;其次,在天空区域采取直方图均衡化算法,在非天空区域采取优化透射率的改进暗通道先验算法;最后,重新融合后使用基于高斯滤波的方法对去雾图像进一步清晰化处理以更有利于后续检测和识别。实验结果表明,方法能够有效地还原出清晰的真实图像、保证交通标志图像信息可鉴性。2)给出了一种基于改进Yolov3网络的检测网络模型,改善了复杂交通场景图像中小尺寸交通标志检测准确率较低问题。将原网络1-2-8-8-4残差结构精简为1-2-4-4-4结构,实现参数最小化;将原网络的尺度预测方式由3尺度提升至4尺度,增强对小尺寸标志的检测能力;改用GIo U函数降低目标定位损失,提高检测精度。实验结果表明,相比于原网络,改进网络模型大小降低了11个百分点;在GTSDB数据集上对于多种尺寸标志,平均F值提升了2.98%;在TT100K数据集上与其它方法在F值、模型大小等指标上的对比实验结果进一步表明了改进网络的优越性。3)提出了一种基于改进LeNet-5网络的识别网络模型,解决了大多数性能高但过于复杂的交通标志识别网络模型应用受限问题。在改进的三层卷积-池化网络结构中,调整部分卷积核数目和大小来充分提取标志的细节信息,增强识别能力;使用Leaky Re LU激活函数替换原网络中Sigmoid函数,提升网络收敛速度;输出层改用SVM分类器进行分类,提高识别准确率。实验结果表明,改进的轻量级网络模型能兼顾识别时间和准确率,在GTSRB数据集上识别时间为0.148s,识别正确率达98.3%以上。在TT100K数据集上的实验结果进一步证明了网络具备较好的泛化能力。