随着社会的发展以及科技的进步,以车代步已经成为人们出行的主要方式。然而汽车数量剧增导致交通拥堵和交通事故频发,给社会交通造成巨大压力。为缓解交通压力,保障人们的生活条件以及提供更加舒适和安全的生活环境,智能驾驶逐渐被研究者广泛研究。智能驾驶系统通过对道路交通情况自主检测和识别,计算出最佳行车路线,同时智能驾驶也不会受人的心理和情绪干扰,遵守交通法规,按照规划路线行驶,从而避免交通事故的发生。交通标志作为重要的道路组成部分,成为智能驾驶的首要研究对象。如何高效正确地检测和识别自然场景中的交通标志,已经成为目前研究的热点问题。针对现实场景中的交通标志因为尺度小而造成检测和识别精度低的问题,本文提出一种基于YOLO v3多尺度交通标志检测的改进方法。该方法根据特征图计算对应的感受野大小,合理地调整特征图的尺度,使之更加适应现实场景中交通标志不同尺度的变化情形。同时使用k均值算法聚类得到先验框尺寸,为每种下采样尺度设定3种先验框,使用聚类出的12种尺寸先验框以提高更小尺度交通标志的检测精度。由于交通标志的尺度变化较大,该方法共计使用4种尺度的特征图来进行交通标志检测,对各种复杂背景或者光照情形的交通标志都有较好的检测效果。实验结果表明,该方法识别率最高达到99.87%,较Multi-Scale CNN等深度学习方法平均提高约2.97%,较HOG加SVM的传统方法平均提高约27.37%。为确保对小尺度的交通标志检测也有较高精度,本文提出一种小尺度交通标志偏好的检测方法。该方法通过设置坐标误差系数以降低坐标误差在整个回归函数中所占的比重,从而避免较大尺度的检测框对小型交通标志目标检测精度不准确的情况。实验结果表明,通过调整坐标降比系数,识别率较之前的方法上升0.05%,对小尺度交通标志检测效果也有一定提升。查全率值和查准率值相比于FastR-CNN模型高出5%,对比YOLO v3模型,本文进行了定性分析,结果表明曲线下方面积提高显著。综合研究结果表明,多尺度交通标志检测的改进方法能够显著增加交通标志的检测识别率。使用小尺度交通标志偏好的检测方法能够有效的提高交通标志的检测识别率,并且对小尺度交通标志的检测和识别具备更好的鲁棒性。