交通标志识别是未来智能交通的一个重要组成部分,是辅助驾驶和无人驾驶技术的一个重要模块。近年来,随着深度卷积神经网络在计算机视觉领域取得的巨大成功,基于卷积神经网络的交通标志识别研究也引起了人们的密切关注。本论文详细分析了各项网络参数对标志识别的影响,通过可视化方法对网络的工作机理进行分析,并进一步在上述研究基础上提出了一种标志前景提取的方法。主要开展工作如下:1、网络结构和网络参数的选择。通过LeNet-5与AlexNet卷积神经网络在交通标志识别问题上综合性能的比较,选择了 LeNet-5作为后续实验的基础网络结构。进一步对LeNet-5中不同的激活函数、池化层种类、卷积核大小、卷积核个数、全连接数目、训练批量样本数等进行测试优化。最后,考虑到算法实时性的要求,对所得最优网络进行压缩,在保持精度近似不变的情况下,减少了网络全连接层三分之一的参数。2、通过两种可视化方法的实现,分析了卷积神经网络在交通标志识别中的工作机理。方法一通过网络各层卷积核的可视化,分析了各层神经元在特征提取中的作用。方法二分析了特定神经元对不同输入图像的响应分值,通过高分值图像的显示指出了神经元响应所具有的选择特性。通过可视化分析加深了对网络的理解,有利于后续交通标志识别网络的设计。3、在不使用人工标注的图像分割和不增加原始分类网络复杂度的条件下,基于上述研究成果提出了一种同时进行标志分类与标志前景提取的方法,并给出了初步的实验结果。综上所述,本文以交通标志识别研究为基础,探索了卷积神经网络方法的参数调优技术,通过可视化方法进行了网络工作机理的认识,并进一步提出了一种分类的同时进行标志前景提取的新方法。研究方法和结论可以进一步推广应用到基于卷积神经网络进行其他目标检测的诸多应用中。