随着社会经济的飞速发展,人民生活水平的不断提高,车辆成为人们重要的出行工具,数量也迅猛增加,导致交通拥堵、交通事故频发等各种问题。因此,智能交通系统(Intelligent Transportation System, ITS)的研究变得更加重要。交通标志的识别作为ITS重要的组成部分,对缓解各种交通问题具有非常重要的实际意义。计算统一设备架构(CUDA,Compute Unified Device Architecture)是用于GPU计算的开发环境,由于GPU的特点是处理密集型数据和并行数据计算,因此CUDA非常适合需要大规模并行计算的领域。利用CPU+GPU的架构模式为实现交通标志识别的实时性提供了新的有效的技术支持。本文在总结了国内外多种方法的基础上,针对现有的方法进行了改进和创新,设计并实现了一个基于CUDA的实时交通标志识别系统,其中包括了检测和识别两大部分。在检测阶段,采用基于径向对称和方向判别的检测方法,这种方法有效地解决了基于颜色方法容易受光照影响的缺点,交通标志的检测不仅与投票累加有关,还与投票的方向有关,实现了交通标志的检测与分类。在识别阶段,大多数基于规则和基于模型的方法存在着容错性不足、容易受噪声的干扰的问题,而传统的基于机器学习的方法(神经网络、支持向量机)通常是计算密集型的,不能保证快速的处理。为了解决这些问题,本文采用了基于Haar特征的级联Adaboost分类器。针对系统算法计算复杂度高的缺点,本文采用了基于CPU+GPU的计算模式,其中GPU作为CPU的协处理器,主要负责大规模数据的并行计算部分。从计算复杂度、数据依赖程度等方面对系统算法进行任务分割,将系统的检测阶段移植到GPU端,提出了并行的基本思路和并行策略的优化,在CUDA平台实现了算法的并行化设计；识别阶段在CPU端执行,这样可以在应用程序中充分使用CPU和GPU各自的优点。这种计算模式可以有效的解决系统检测阶段计算复杂度高的问题,从而增强系统的实时性。本文选取了各种场景下道路信息作为测试数据,在CUDA平台的Host端和Device端对准确率、实时性和鲁棒性进行了测试,得出的实验结果表明系统具有较好的实时性和较高的鲁棒性。