随着人们对交通出行需求的提高,智能交通的概念变得愈发普及,国内外众多厂商都开始研制相应的智能辅助驾驶系统。残疾人是一个特殊的困难群体,需要社会的格外关心、格外关注。本文以此作为切入点,实现了一种基于深度学习的交通道路信息检测方法,用于实现残疾人机动轮椅车辅助驾驶系统。现有的交通道路信息数据集,以及目标检测领域相关的研究方法,由于与残疾人机动轮椅车的行驶场景差距较大,因此在道路信息检测问题上表现不佳,存在精确度低、稳定性差等确缺点,无法满足残疾人机动轮椅车辅助驾驶系统的实际需求。为解决这一问题,本文自主构建了一个交通道路信息数据集,并以此为依托实现了一种基于Faster-RCNN+FPN+ResNet的深度学习交通道路信息检测方法。本文构建了一个基于残疾人机动轮椅车视角的,包含中国特有道路元素的交通道路信息数据集。经过对现有交通数据集的特点分析,本文通过在自行车上架设图像采集设备的方式,在北京市海淀区进行了大范围的交通道路信息数据采集,然后通过人工数据标注,得到含6个目标类别,包含40064个标注信息的原始图像14351张,并实现了若干数据增强方法进一步的扩充数据集。本文实现了一种基于Faster-RCNN的交通道路信息检测方法,并对本文构建的交通道路信息数据集进行训练与检测,发现该方法存在小目标检测精确度低与整体检测精确度的缺点。针对这两个缺点,本文分别引入了特征金字塔网络的多层级预测思想和深度残差结构,设计并实现了一种基于Faster-RCNN+FPN+ResNet的交通道路信息检测方法,成功克服了原有方法小目标检测精确度低与整体检测精确度的缺点,在交通数据集上检测结果达到了mAP=0.8176。本文还设计了若干对照实验,进一步验证了该方法具有较高的检测精确度与良好的鲁棒性,具有较高的实际应用价值。