随着我国经济的快速发展，国内的汽车拥有量也在飞速增加，对于每个家庭来说，拥有一辆汽车已经不是难事。但同时，交通事故也随着汽车的增加而增加，对国家、社会以及每一个家庭来说都有着巨大的危害。为了尽量避免交通事故，在公路上通常会有设置交通标志，在交通标志的引导下，司机可以做到安全驾驶，避免大部分交通事故。但由于天气、能见度或者是司机自身注意力不集中以及疲劳驾驶的情况，有些情况会使司机没有看到交通标志，进而引发一系列的交通事故。而交通标志识别系统(Traffic Sign Recognition Systems，TSRS)的出现使得这一问题有了彻底解决的可能。在真实场景中，由于光照强度、遮挡、天气等原因使得场景十分的复杂多变，会对交通标志的识别系统带来一些困难和问题。近年来随着深度神经网络的发展与应用以及卷积神经网络的出现，图像的识别分类问题得到了巨大的发展，使得交通标志识别问题有了解决的方案。　　本文将基于卷积神经网络的图像识别分类算法应用于交通标志识别问题，对相关的关键技术进行了深入的研究，在此基础上提出若干改进措施。在卷积神经网络的基础上，通过在卷积神经网络中加入空间变换网络(Spatial Transformation Network，STN)和颜色变换层(Color Transformer Layer)模块，使得卷积神经网络在训练和预测过程中能尽可能的忽略由于拍摄角度等原因造成的几何变换和色彩变换，进而提高交通标志的检测精确度。在交通标志识别过程中首先通过颜色变换层调整样本RGB色彩空间，再通过空间变换网络调整几何变换，使样本能尽可能地忽略这两项因素带来的不利影响，之后再通过卷积神经网络进行特征提取和分类的环节，并最终得到样本类别。　　本文的主要工作为针对交通标志识别问题通过添加空间变换网络以及颜色变换层两个模块来改进卷积神经网络，并对经典卷积网络模型针对交通标志识别问题进行改进，最终将改进的识别系统实现并将其应用在德国交通标志识别标准（German Traffic Sign Recognition Benchmark，GTSRB）数据集中。通过对大量的真实拍摄样本进行识别分类实验得到的实验数据证明，本文的识别算法识别准确率达到99.45％，单个样本识别耗时为1.5ms，比传统的交通标志系统识别率更高，在复杂背景下对几何等噪声的干扰抵抗能力更强，满足了交通标志识别的高准确率的要求。