路面交通在现代社会的出行方式中占据着引领性地位,道路交通标志可以及时显著地把有用交通信息传递给驾乘人员,保障车辆驾驶者的人身和财产安全,防止道路突发状况的发生,因此智能汽车环境感知系统对交通标志进行准确地检测具有十分重要的意义,它为智能汽车的安全驾驶提供技术保障。交通标志检测要求在黑暗、逆光、恶劣天气和复杂背景的情况下,能够准确高性能地检测和识别交通标志信号。目前的交通标志检测算法漏检、误检目标问题突出,算法简单且检测准确率低,不能满足交通标志精准性定位要求;而准确率高的检测算法,复杂度也高,有过拟合、实时性差的不足,难以应用于车载系统。针对上述问题,本文对识别道路交通标志的算法进一步研究,提出了一种基于深度学习的道路交通标志检测方法。首先通过对交通标志检测识别方面的分析,选用中国交通标志CCTSDB数据集作为研究对象进行人工标注及滤波降噪处理,基于Visual Studio2015 C++平台搭建机器视觉模型的交通标志检测算法程序。其次,针对智能汽车交通标志检测准确率不佳的问题,构建基于回归端到端连接的YOLO v3在keras环境下的交通目标检测分类器系统,利用深度网络对本文标注的数据集进行训练,并在实车采集的重庆城市道路和内环高速路上的行车摄像视频进行验证,结果表明通过基于YOLO v3卷积神经网络学习算法的视觉传感器检测具有很好的准确率和实时性能。最后,深入研究基于Faster R-CNN算法在ZF net和VGG16 net下的交通标志检测应用,利用卷积神经网络结构中高层和低层之间的特征转移连接,改进Faster R-CNN网络,减少特征图的感受野,并验证算法可行性,通过对多组算法进行检测实验对比分析,结果显示改进后的Faster R-CNN网络对于交通标志检测具有更加优秀的性能,可以减少目标漏检和误检问题,准确获得交通标志的位置、分类信息,并可进一步提高交通标志检测算法的准确率和环境适应力,为车辆的运动路径规划和控制决策等辅助驾驶提供可靠的信息。