交通信号灯检测是目标检测的一个重要分支，快速准确的识别交通信号灯对于辅助驾驶和无人驾驶都有着重要的作用，可以为人们的安全提供保障，并减少交通事故的发生。车载相机生成的图像通常受到光照的影响较大，而传统目标检测算法检测速度较慢。因此，如何减小背景干扰和加快检测速度成为了研究的重点和难点。
　　针对交通信号灯的主要特征，本文运用了HSV颜色分割和交通信号灯几何特征过滤进行了图像的预处理，减小了光照对图像的影响，并用形态学处理的方法过滤了图像中部分背景信息。为了提高交通信号灯的检测与识别速度，采用了深度学习方法作为模型的分类器，本文改进了YOLOv3算法，主要针对检测与识别交通信号灯这类目标对算法进行了改进。首先，使用基于线性比例缩放的K-means聚类产生的适合交通信号灯大小的锚框，同时改进了特征金字塔网络，减少了大尺度和中尺度输出处的卷积层数，增强了模型对小目标的特征提取能力，并简化了模型结构。然后，通过改进的Mosaic算法来增强训练数据，以提高数据量较少的类别的样本数。最后，设计了一个基于显著性特征预处理的深度神经网络模型用于交通信号灯的检测与识别，该模型结合了针对交通信号灯设计的显著性特征预处理模块和改进的深度学习分类器模块。
　　通过在本文自制的CQTLD数据集和Lara数据集上进行的实验测试，对设计的模型进行了总体评估。实验结果表明，本文设计的改进的YOLOv3算法在准确率和召回率以及检测速度上相较于YOLOv3和YOLOv4算法均有所提高。而本文设计的最终模型，其准确率达到了99.58%，召回率达到98.47%，不仅提高了检测的精度，还降低了模型的误检数量。并且检测速率可以达到43FPS，能够满足交通信号灯实时性检测的要求。