随着车辆日益普及和道路环境的复杂化,高级辅助驾驶系统ADAS逐渐成为人们关注的热点。交通标志检测与识别作为ADAS中重要的研究方向之一,其实现对于整个系统的运行有着重要作用。在自然场景下,天气条件、光照强度及遮挡等环境因素给研究带来诸多困难,传统方法很难满足实际需求。近年来,基于深度学习的方法在图像处理领域得到了广泛应用。本文结合深度学习和图像处理方面的知识,设计并实现了基于深度学习的交通标志检测与识别算法,通过实验验证算法的有效性。本文的主要工作内容如下:（1）系统地阐述了交通标志检测与识别技术的研究背景和现状,总结了当前存在的关键问题和常用方法,并对深度学习相关算法的原理进行分析。（2）国内缺少公开统一的交通标志数据集,并且与国外统一数据集的交通标志类型差异较大,针对这一问题,本文采集了大量含国内交通标志的街景图像,制作成国内交通标志数据集TSD,并通过数据增强对实验所使用的数据集进行扩增。另外,为减小环境因素对网络的影响并提高其鲁棒性,本文使用直方图均衡化的预处理方法来提高图像质量。（3）针对小目标的交通标志检测精度不高问题,提出一种基于改进SSD（Single Shot Multi Box Detector）模型的交通标志检测算法。首先对低层级特征图进行融合,加强其表征能力,从而更好地检测小尺寸目标,同时去除Conv11＿2层,在不影响精度的同时减小计算量。最后根据交通标志目标的特点设定默认框参数,有效改善了由默认框不匹配造成的漏检问题。实验结果表明,在TSD数据集和GTSDB数据集上,改进SSD模型的平均检测精度m AP比经典SSD模型分别高出7.43%、4.57%。并在TSD数据集上设计了几组在各种干扰下的测试实验,证明了该算法的有效性。（4）针对复杂环境下交通标志的识别精度与速度难以平衡问题,提出基于非对称双通道卷积神经网络的交通标志识别算法。该算法利用不同网络结构的两通路提取丰富的特征信息,通路一获取的深层全局特征和使用跃层连接获取的浅层局部特征,与通路二获取的精细特征在全连接层进行融合,可以有效避免图片的重要特征信息丢失,最后将融合特征输入softmax分类器进行识别。网络中还使用Leaky Re LU代替Re LU激活函数,可以防止神经元死亡。另外,在网络中还大量使用小卷积核,可以大大减少计算量,从而加快网络的训练速度。实验结果表明,该算法在GTSRB数据集上的识别率达97.89%,识别速度为14ms/幅。并通过设置多组对比实验,验证了该算法具有一定的先进性和鲁棒性。