随着计算机硬件运行能力的逐渐提高,深度学习领域取得了前所未有的突破。越来越多的传统行业为了适应智能时代的需求,选择进军互联网,将产品与智能融合。当前,在车辆无人驾驶与辅助驾驶领域,得益于深度学习技术在图像处理方面的卓越性能,深度学习算法被广泛应用,它能够迅速的判别出现在道路上的有关突发状况,帮助驾驶员做出反应,极大地降低民众的生命财产损失。交通标志自动识别便是在此背景下应运而生,它是实现车辆在道路上智能行驶的基础,所以本论文基于深度学习中的目标检测算法,提出了适用于中国道路实景的交通标志自动识别算法,为车辆自动驾驶提供技术支持。首先,针对目标检测算法YOLOV3对于小目标图像识别效果不理想,提出一种改进思想即利用多尺度特征融合理论,扩大了目标检测的感受野,使算法更加适应交通标志牌这样的小目标。其次,采用Ghost模块减少特征冗余保证性能不减,且计算量变得更少。减少了系统内存需求,为移动端嵌入提供可能。并利用GIOU代替IOU作为坐标误差损失函数,加快模型拟合预测框与真实框的位置关系,并提高模型的预测精度。最后,设计Mosaic数据增强,通过K-Means聚类分析得到适合于数据集的Anchor,通过大量的实验得到合适的学习率与批次大小,并选择最佳的实验效果。解决了对于实景情形下交通标志识别率比较低的问题。实验结果表明,本算法在TT100K交通数据集上的MAP值达到了89.7%极大的提高了交通标志的识别效果,同时其FPS值也有提高。通过与原版YOLOV3算法及其它YOLOV3的改进算法进行对比,本文的算法具有明显优势。可以准确有效的识别目标较小的交通标志,为后续进一步开发车辆自动驾驶的实时检测提供了一种算法思路。