高级驾驶辅助系统作为智能车辆的关键技术之一,对于保证车辆安全、平稳行驶起到了极大作用。交通标志的检测与识别作为其中的关键环节,可以快速、有效地感知一定范围内的交通标志信息,指导驾驶员在遵守交通规则的情况下安全行驶。针对现有交通标志检测与识别网络存在检测速度慢、精确度较低的问题,提出了一种基于轻量化多尺度特征融合与注意力机制的交通标志检测与识别方法。论文主要研究工作如下:（1）针对现有卷积神经网络追求网络性能,而增加时间复杂度和空间复杂度这一问题,提出了一种基于轻量化多尺度融合的交通标志检测与识别网络（Traffic Sign Detection and Recognition Network Based on Lightweight Multi-scale Fusion,LMF-TSDR）。首先,利用轻量化特征提取基础网络对输入图像的基本特征信息进行提取,获得不同尺度的特征图;接着,构建特征交织模块,将指定层的单尺度特征图转换为多尺度特征融合图,实现高级语义信息与低级语义信息的联合编码;最后,构建关键点检测网络,输出交通标志中心点的位置信息、偏置信息以及类别概率,通过后处理得到交通标志位置以及类别。（2）LMF-TSDR进行基础特征提取时采用了压缩激励模块,并未考虑特征图在空间域的差异,造成了计算资源的浪费。针对这一问题,在LMF-TSDR的基础上引入了空间域注意力机制,提出了一种联合多尺度特征与混合注意力机制的交通标志检测与识别网络（Traffic Sign Detection and Recognition Network Combining Multiscale Features and Hybrid Attention Mechanism,MFHA-TSDR）,以提高网络对于空间与通道关键信息的提取能力。混合注意力模块构建了空间域注意力分支与通道域注意力分支,利用不同分支得到空间与通道注意力权重图,最终将二者与输入分别相乘之后再相加,得到混合注意力图。（3）基于TT100K、GTSDB数据集,构建深度学习实验平台以验证本文算法的有效性。实验结果表明,本文算法对不同尺度目标及大部分类别的识别精确率均达到85%。与Faster R-CNN和Coner Net相比,本文算法对于小目标的检测性能提升明显,并且实现了较好的实时性。