交通标志检测识别作为智能交通系统的关键技术,在辅助驾驶、无人驾驶方面具有广泛应用场景。但由于道路环境复杂,交通标志检测识别过程中会受到自然条件和内部硬件等因素干扰,使得检测识别算法很难达到商业应用要求。因此,本文对自然场景下的道路交通标志检测识别开展研究,主要工作如下:针对,针对道路交通标志的检测识别方法,提出了一种基于颜色信息与融合特征矩输入支持向量机的交通标志检测方法。本文检测方法首先对比了不同颜色空间的色彩表达能力,运用颜色特征进行图像分割,采用形态学处理消除图像中大部分无关信息,获得识别候选区域;然后提取区域中的小波矩特征和HOG特征,选择串联连接方法得到新的特征;将新的特征信息传输SVM中进行分类训练,对图像道路交通标志的颜色形状进行判别。其次我国缺乏统一交通标志数据集问题,本论文在真实道路条件下采集交通标志数据,通过前期的预处理方法对采集数据进行变换、扩充,其预处理方法包括:采用Gamma校正和直方图均衡化预处理技术,增强图像的内部信息,降低光照影响;同时采用中值滤波,消除图像部分噪声,保障图像边缘信息;本章最后设计了交通标志检测识别系统框架,为之后的工作做了知识铺垫和实验依据。首先,对交通标志的分类识别问题,提出了一种改进Le Net-5网络模型的交通标志识别方法。优化内容包括:将原模型卷积核参数缩小,采用Re LU激活函数代替sigmoid激活函数,减小全连接层参数,降低运算量,最后引入inception module思想,增强网络提取特征的表达能力。结果表明该算法可以有效的提高识别精度。最后,本文将算法应用工程实践中,以智能小车为实验平台,树莓派微小型计算机为图像处理平台,通过网络通信与远程计算机共同协助交通标志检测,实验证明该算法在实际应用中能有效的识别交通标志并作出简单的预设反应。