近些年,随着我国在人工智能领域的快速发展,智慧城市建设初具规模,而智能交通系统在智慧城市建设中扮演着举足轻重的角色,对城市客流、物流的畅通发挥着重要的作用。在智慧交通领域,交通标志的智能检测与识别得到众多工程师和学术人员的关注与研究,并且相关的智慧产品已经在无人驾驶领域得到了初步的应用。但是,由于在现实交通场景中,标志牌存在破损、异物遮挡、褪色、运动模糊等诸多干扰的问题,因此众多工程师与学者对相关的问题进行了深入的探索与研究,虽初具成效,但技术成果尚未成熟。由于交通拥堵和意外事故在我国这样的人口大国发生的情况越来越严重,这些问题亟待解决。因此,开展交通标志的智能检测与识别研究对当下和未来智慧城市规划与建设具有重要的理论指导与现实意义。论文针对智慧交通中涉及的重要理论和关键技术进行了深入的研究。着重研究了以下几个方面以及相关的研究成果:(1)由于在真实的车辆行进中,摄像头获取的图像会产生一定的运动模糊,针对这个问题,提出了一种融合稀疏表示与费希纳定理的盲复原方法。此算法首先利用滤波器对模糊图像的边缘进行显著性预测,然后对预处理产生的盲复原模型进行稀疏正则化处理,融合费希纳定理对采集样本进行盲复原。结果表明该方法可以有效降低图像自身运动模糊和视觉伪影,可以获得不错的复原结果。(2)由于样本集中通常存在交通标志不同类别数量差距较大的情况,因此会弱化分类器的检测性能。针对这个问题,本文提出基于区域特征融合的MLBP-HOG交通标志检测算法。首先利用局部特征优良的特性,提取样本中的MLBP特征和HOG特征,然后将获取到的两类特征进行融合,最后将提取到的融合特征输入预先训练好SVM分类器,对感兴趣区域进行精确地定位与检测。本文采用德国公开数据集GTSRB进行实验测试,通过分析实验结果,证明了该方法具有耗时少、区域检测精度高等优点。(3)快速准确识别出所属分类是交通标志识别追求的终极目标,因此,本文提出了一种基于MLBP-HOG特征融合的极限学习机识别算法。首先依次提取样本集中的HOG特征、LBP特征、MLBP特征和MLBP-HOG融合特征,然后将提取到的特征分别输入到SVM(支持向量机)分类器、CNN分类器和ELM分类器进行训练。通过实验分析,证明基于MLBP-HOG融合特征的ELM分类器在复杂场景中可以取得优良的分类结果。