摘要：随着技术的进步,道路安全得到了大幅度的提升,如今更加专注驾驶人员的在驾驶车辆过程中因为错误所造成的安全问题。众所周知,许多交通事故的发生是由于司机没有察觉到交通标志造成的。这种情况大多是由于驾驶员的注意力被手机通话等事情分心造成了交通标志没有被注意到。此外,恶劣的天气和某些不良的驾驶条件使得驾驶员不能察觉道路中的交通标志。大多数汽车不具备交通驾驶辅助系统,而交通标志检测和识别系统是该系统的重要组成部分。交通标志检测和识别系统能够及时提供给驾驶员路况信息,从而让驾驶员对突发状况及时做出应对措施,进而避免或减少交通事故的发生。本文以交通标志检测与识别技术作为的研究对象,从交通标志图像的预处理、检测、特征提取与识别等方面问题开展广而深的研究。本文的创新点以及主要工作包括：(1)研究了交通标志的图像分割算法,设计了多级阈值的MSER算法,并利用交通标志的尺寸等几何特征筛选MSER区域,能够有效分割出交通标志候选区域,同时排除大量背景区域。(2)提出了一种基于多特征的高可信度区域的交通标志提取算法。首先,利用交通标志的形状特性、纹理特性和颜色特性检测交通标志区域；检测到的交通标志区域与实际交通标志区域相比,存在位置偏移、区域过大或过小等问题,本文基于可信度函数进行自适应迭代以搜索最优交通标志区域,从而最大程度上消除了上述问题。实验表明,本方法在德国交通标志标准数据库(GTSDB)和西班牙交通标志数据库上分别得到97.1%和98.5%的Recall指标,且平均覆盖率在94%以上,高于现有的大多数交通标志检测算法。(3)提出了一种基于交通标志局部特征和级联分类的交通标志识别算法。首先,基于交通标志局部的形状、颜色、纹理特征进行级联分类,使用专家委员会判定法将交通标志划为圆形、三角形、菱形和倒三角形四大类；然后提取圆形和三角形交通标志的内部构件,利用类模板匹配法进行交通标志内容的识别。结果表明,本方法在GTSRB测试库中选取的2601张测试图像获得了98.3%的正确率,高于深度学习、HOG+SVM、HOG+随机森林这三种提取整体特征训练分类器的方法。