近些年,随着人工智能的飞速发展,越来越多的行业与人工智能有关。在这些行业当中,自动驾驶技术是近几年比较热门的研究技术,而交通标志检测又是无人驾驶领域中的重要组成部分,自然也备受关注。在交通标志检测系统中,首先是系统检测出交通标志,然后向无人车传递交通标志信息,最后无人车根据反馈的信息调整行车决策。在实际场景中,由于无人车采集的图像往往是高分辨率的远景图像,再加上交通标志本身就很小,这使得交通标志目标在整个图像中所占的比例更小。在现有的检测算法中,检测的目标占比都是比较大的,这样不容易在特征提取过程中丢失信息。所以,当使用交通标志检测算法去检测高分辨率图像时,其准确率和召回率低,鲁棒性弱。为了改善这一缺点,本文通过改进基于深度学习的交通标志检测算法,并通过实验验证改进后的算法的有效性。主要研究贡献有如下三点:1、针对模型的输入图像分辨率过大,造成所需计算资源巨大的问题,本文提出基于目标为中心的数据增强方法。在高分辨率图像中,根据数据集提供的交通标志的标注信息,找到交通标志在图像中的具体位置。然后以此为中心进行图像裁剪,最后获得低分辨率图像,从而实现高分辨率图像到低分辨率图像的转换。同时该方法也有效地避免因使用图像缩放导致部分有效信息丢失的问题。2、针对交通标志检测算法在检测高分辨率图像时,其准确率和召回率较低的问题。特别是对小尺寸的交通标志来说,其效果更加不明显,为此本文提出双模型网络结构算法。在测试过程中,首先使用双模型网络结构中的模型一检测原始图像,得到交通标志在原始图像中的粗略位置。然后将模型一的输出结果作为裁剪新图像的依据,并将裁剪后的新图像作为模型二的输入图像。最后将模型二的输出结果用于恢复到原始图像上,从而得到交通标志在原始图像中的具体位置和类别。3、为了验证上述方法的有效性,本文在交通标志数据集Tsinghua-Tencent 100K和CCTSDB上进行大量的对比实验。通过对实验结果进行分析对比,表明基于目标为中心的数据增强方法,有效缩减了GPU的使用量。同时也表明双模型网络结构算法,有效提高了高分辨率图像的交通标志准确率和召回率,对低分辨率图像的检测也有略微的提升。