交通标志检测在辅助驾驶以及无人驾驶领域中都有重要地位。在这一领域,技术方法百花齐放,都是对获得的标志图像进行检测。其中使用深度学习检测算法进行交通标志检测已经成为当下交通标志检测的重点研究领域。在道路交通中,由于复杂的道路交通情况以及驾驶员可能出现的身体不适或者精神不集中等情况,单靠驾驶员用肉眼识别交通标志常常会出现各种各样的问题,所以通过其他方式进行交通标志检测的需要逐渐增大,同时在智能交通和自动驾驶中,交通标志的检测工作是非常重要的,是道路驾驶安全的重要保证。随着卷积神经网络发展的日益成熟,目标检测应用到交通标志检测成为日益兴起的研究领域。由于交通标志检测的对象往往是车载摄像头所拍摄的图片,所以需要选取真实交通情况下的场景图片,并且要考虑到图片在车辆变速行驶时发生的拉伸变形情况。在实际交通标志检测中,由于Faster R-CNN定位精度高但检测速度较慢,适用于在复杂交通场景下低速行驶的情况;YOLOv3算法实时性高,但定位精度较差,适合在高速行驶的情况下进行检测。但由于算法设计人员开始是针对所有类别目标进行检测,所以本文针对这两类不同算法都进行了改进,使其针对交通标志的检测效果更好,从而达到更高的检测精度,本文所进行相关研究内容如下:（1）数据集的制作。本文使用的数据集的主体为中国交通标志检测数据集,选择其中的真实情况图片以及拉伸变形的图片,同时增加带有高斯噪声的图片以及从实验室中取得的车载摄像头拍摄的图片,包括雾天雨天等情况下的交通场景图片,然后统一进行标注,完成交通标志数据集的制作工作。（2）Faster R-CNN算法的改进。由于初始的Faster R-CNN算法针对的检测对象往往为目标体积较大的动物或者人,都是在图片中占比比较大的目标。而本文研究的目标检测对象为交通标志,在很多情况下交通标志在图片中占比比较小,所以本文改进原有RPN网络中的anchor默认值。并且将原有的VGG-16模型改为ResNet101模型,进一步提高对复杂情况下的小目标检测精度,最后进行相关实验比较实验结果,结果表明检测精度得到了一定程度的提升。（3）YOLOv3算法的改进。YOLOv3算法检测速度较Faster R-CNN算法已经有了提升,但是对小目标,还有集群式的小目标的检测效果并不是很好,本文针对交通标志中小目标检测效果进行了改进,通过调整Darknet-53的卷积网络层结构,使得YOLOv3检测部分较小交通标志也有较好的效果,最后进行相关实验,结果表明检测精度得到了一定的提升。