随着城市化进程的不断加快,城市道路愈发拥挤,交通事故更是频频发生,因此,以交通标志识别为基础的智能交通系统成为一个研究热点。传统交通标志识别方法存在特征单一,容易受到环境的干扰,人工提取特征的过程复杂,模型泛化能力不强。针对以上问题,本文提出利用智能算法构建交通标志识别模型。论文基于深度学习中的卷积神经网络,以德国交通标志数据集(GTSRB)和中国交通标志检测数据集(CCTSDB)为载体,对交通标志图像识别分类和交通标志检测进行研究。目标检测问题比目标分类更加复杂,而目标识别是目标检测的基础,所以本文选择先研究目标分类,然后进一步研究目标检测。与传统方法相结合,在一维卷积的基础上设计了CNN-Squeeze轻量化模型;在深层网络的构建中,改进Inception模块组建多通道融合加权模型SE-inception,完成通用型深层卷积网络,显著的提高了在交通标志的识别准确率;交通标志目标检测算法是在深层卷积网络识别分类的基础上对目标进行定位,本文提出了一种新的目标检测模型,并在交通标志数据集上完成了仿真研究。首先,在对卷积神经网络深入研究的基础上,把传统的图像预处理、直方图特征和图像聚类方法与深层网络相融合,设计了一维卷积CNN-Squeeze模型,并将其应用在交通标志模式识别中,实现了20类交通标志分类。然后,由于浅层网络无法提取足够的图像信息完成多类别分类,本文根据不同卷积模型的特点,增加残差通道和特征加权通道,并合理选择激活函数和归一化操作,优化网络结构。Keras框架的基础上,设计了基于Inception改进的多通道融合加权网络SE-inception,并对43类交通标志识别。最后,目标检测算法作为识别的延续,更加注重目标的位置信息,本文在TensorFlow框架中,设计了基于VGG网络的交叉卷积目标检测网络,实现了对城市道路中交通标志的检测。对于交通标志图像,目标检测网络会产生标志的位置框,并给出相应类别,从而可以直观的感受到检测效果。