随着无人驾驶技术的发展,自适应巡航、自动泊车等很多智能化的技术开始应用在汽车上,为人们的驾驶带来更多便利。在驾驶过程中,人们必须要正确的按照交通标志的指示行驶,以避免造成交通违章。但是人类总会出现疏忽,错看交通标志或不按交通标志行驶,从而造成违章,甚至发生交通事故。智能化的交通标志识别（Traffic Sign Recognition,TSR）技术已成为众多车企研究的方向。自然条件下,由于道路环境复杂,以及光照、天气和交通标志损坏等外界因素的影响,传统识别方法很难满足实际需求。因此,准确高效的交通标志识别技术的研究,在道路安全、无人驾驶系统有着重要的应用价值。本文结合深度学习和图像处理有关知识,对自然环境下的道路交通标志识别问题展开研究。针对自然环境下采集的图像受到光照、噪声等原因变得模糊,采用图像预处理,使提取的交通标志特征信息更加丰富,降低匹配识别的难度。同时为了解决传统的交通标志识别方法原有的鲁棒性不好、识别效率较慢等问题,提出了改进的更快速区域卷积神经网络（Faster Region-Convolutional Neural Networks,Faster R-CNN）的交通标志识别方法。该方法采用残差网络（Residual Network34,Res Net34）对输入图像进行卷积和池化等操作提取交通标志特征,生成不同尺寸的特征图分别送入Faster R-CNN的区域建议网络（Region Proposal Network,RPN）,通过3×3的滑动窗口遍历特征图的每个点,在原图的对应位置生成一系列Anchors,根据这些Anchors结合预测的边界框回归参数,调整生成许多候选建议框,再投影到特征图上获得相应的特征矩阵,经过Roi Pooling以及一系列全连接层处理得到识别结果。并结合困难样本重复训练以降低复杂环境的影响,利用中国交通标志检测数据集（Chinese Traffic Sign Detection Benchmark,CTSDB）和采集实际场景中的图像扩充数据集,基于Open CV库,利用Tensor Flow学习框架,加载训练模型进行实验,完成交通标志识别模型的训练与测试。经过多次调整参数进行训练,用改进后的Faster R-CNN模型对不同大小、不同光照天气、不同拍摄角度、不同部分遮挡和特征相近等条件下的交通标志进行识别测试,并对识别结果进行分析,验证本文方法的广泛性,并将结果与其他识别模型结果进行对比分析。本文的创新点包括对特征提取网络的改进,可提取高低层不同尺寸的特征图分别送入RPN网络进行分类,以及对困难样本的重复训练。与Faster R-CNN相比,本文提出方法的平均精度均值（mean Average Precision,m AP）性能指标提升了7.2%,平均识别时间达到了0.203s/幅,识别速度达到实时性的要求。结果表明,本文提出的交通标志识别方法的平均精确率达到了97%,召回率达到了91%,具有很高的识别率,同时相比传统方法在特征提取和识别速度上更快,具有很好的识别结果以及鲁棒性。