交通标志识别目前是无人驾驶和汽车辅助系统研究的热点。高质量的交通标志识别可以为驾驶员或者无人车实时、准确地提供交通路况、交通规则等信息,辅助驾驶决策,从而提高行车安全系数,减少或者避免交通事故发生。基于压缩感知的交通标志识别,具有识别率高、鲁棒性强等优势,近几年也受到了越来越多的关注。本文首先对德国交通标志库(GTSRB)中的图像进行预处理,在图像灰度化后,用双线性插值法进行尺寸归一化,用限制对比度自适应直方图均衡化对图像增强。然后对原始图像通过离散小波变换(DWT)进行稀疏变换,测量矩阵选用高斯随机矩阵,选择正交匹配追踪(OMP)算法对图像进行重构,通过对比不同采样率下交通标志图像的重构效果,选出最好的采样率,即通过小部分数据能较好地恢复原始数据。最后用基于稀疏表示的算法对交通标志进行识别,实验结果表明了正交匹配追踪算法,具有较高的识别率和较强的鲁棒性,但是识别率和识别时间需要进一步的改善。实现了基于两阶段的稀疏表示算法,能在训练样本不大的时候能取得很好的实验结果,但是当训练样本增大,计算机会出现内存溢出的问题。为了解决该问题,设计并实现了基于局部冗余字典的两阶段稀疏表示算法,它将冗余字典拆分成很多局部字典,并将训练样本的类别平均拆分到各个局部冗余字典,并对该算法的时间复杂度进行了改进。本文采用基于局部字典的两阶段稀疏表示算法对德国交通标志数据库进行了实验,基于局部字典的两阶段稀疏表示算法的识别率为94.61%,平均每个样本的识别时间为0.989秒。比正交匹配追踪算法的识别率高4.42%,平均识别时间缩短1.23秒。实验结果表明了该算法的有效性。