在车辆无人驾驶和辅助驾驶的领域中,交通标志检测、识别相关的算法是其重要的研究课题,这些算法在性能上的好坏直接影响机动车在道路交通中的行驶安全。尤其是智能化浪潮下的今天,怎样做到交通标志检测、识别的准确性、实时性、稳定性和抗干扰性,一直都是重点的研究内容。本文研究的课题是使用“CNN卷积神经网络”的方法,来做交通标志检测、识别相关算法的研究,重点研究如下:(1)提出了一种基于改进SSD网络模型的交通标志检测算法。原SSD模型对交通标志这样小目标的检测会出现性能下降的问题。首先,通过CNN中的“感受野”分析了相关原因,认为原模型顶部相关的网络层对局部和细节特征的提取能力不足才导致此问题的发生;针对相关原因,提出改进方法:对原模型添加“特征融合模块”,显著提高了原模型对交通标志这样小目标的检测性能;将原模型中的部分网络层替换为“改进的Inception网络层”,可以最小化模型的计算成本,保持原模型“快速检测”的优点,且多尺度卷积核数量的增加,进一步提高了交通标志检测的性能;还优化了原模型中额外层的结构,继续降低了模型计算的参数量。在GTSDB公共数据集上做相关实验,改进方法的mAP值达到了0.894,解决了此前原模型出现性能下降的问题。(2)提出了一种基于ResNet残差网络模型的交通标志识别方法。首先,通过“角度旋转”的方式对数据集进行扩容,避免了模型训练过程中过度拟合问题的发生;其次,将数据集图片转换为“YUV颜色空间”,YUV相比RGB颜色空间会让网络模型提取的特征更加有效,进一步提高模型的分类精度;设计了一种“六块结构的ResNet残差网络模型”用于交通标志的识别,其可以提取更深层次的特征,并防止它们被过度使用;最终,将数据集进入设计的模型中训练、测试,在GTSRB公共数据集上做相关实验,提出方法的测试精度达到了99.72%,优于目前众多的方法。