随着科技的发展,智能驾驶系统越来越接近人们的生活。作为道路上重要的指示信息,交通标志识别的准确与否至为重要。在实际的道路交通中,采集到的图像受到实时天气的影响,存在着光照过强或过弱、模糊等情况;同时由于角度问题,也存在形变、遮挡,这些问题都极大的增加了交通标志识别的难度。本文主要针对雾霾条件下的交通标志的识别进行研究,提出了基于特征复用的卷积神经网络去雾算法,并提出了基于自适应仿射变换网络的交通标志识别网络。本文在进行去雾算法的改进时,充分理解大气散射模型的基本理论,并对暗通道算法进行了复原以提高对单幅图像去雾过程的理解。通过分析暗通道算法的局限性,例如多次计算下误差的累积,无法适用于大面积天空区域等,提出了一种基于特征复用的卷积神经网络去雾算法。该算法以大气散射模型作为理论基础,通过将有雾图像与无雾图像建立起对应关系,获得更佳的图像去雾效果。在该网络中,特征复用单元将前一层特征重复使用,减少每次卷积操作所需提取的特征数量,并将低层特征与高层特征相结合,提高了对低层特征的表达能力,有效的减小了对网络层数的依赖性。另一方面,由于本算法直接在有雾图像及无雾图像之间建立联系,极大程度的避免了在暗通道算法中由于多次计算出现的误差,并克服了在天空区域的失真现象,使得视觉效果尤为突出。本文所用标准为MPSNR和MSSIM,前者说明了对比原图后去雾图像的峰值信噪比,后者说明了人眼对去雾后的图像的主观感觉。对比四种不同数据集下去雾的实验结果可得,本文所提算法可以有效的对图像进行去雾处理,并且结果清晰。针对自然场景下拍摄到的交通标志普遍存在的形变的问题,本文提出了一种自适应仿射变换网络。该网络通过提取输入图像的特征,得到所需的仿射变换系数,达到对输入图像自适应仿射变换的目的。本节实验分为两个部分:第一部分使用了比利时交通标志数据集,验证所提自适应仿射变换网络的有效性。在该实验中,使用两组不同的网络进行实验对比,并用精确度、召回率、F1分数和Macro-F1四种不同的评价标准进行了验证说明,本节所提自适应仿射变换网络可以有效的提高识别率,并可以降低对卷积层层数的依赖;第二部分实验则是将已经验证的自适应仿射变换网络与改进后的VGG网络相结合,完成本文所需的交通标志识别模型。在该部分实验中,使用的是德国交通标志数据集GTSRB,将改进后的VGG网络与添加了自适应仿射变换的改进的VGG网络做对比,同样以四种不同的评价标准进行对比。对比实验数据可知,本文所提算法具有良好的识别率与实用性。