近年来,随着经济与科技的快速发展,汽车在人们的日常生活中越来越普遍,为人们的出行带来了极大的便利。但是,不断增加的汽车保有量和愈加复杂的交通路网也带来了一系列交通拥堵和安全问题。对此,智能交通系统应运而生,自动驾驶系统作为其重要的组成部分得到了极大的发展。交通标志识别作为自动驾驶的关键技术之一,成为了机器视觉和模式识别领域的研究热点,引起了众多专家学者和相关科研机构的关注。然而,交通标志种类繁多并且自然场景中天气变化多端、光照强度不定、标志存在相似背景等复杂的交通环境都给交通标志识别带来了一系列挑战。本文在总结了大量国内外相关研究的基础上,利用深度森林及其相关知识重点进行了交通标志识别的算法研究。本文的交通标志识别研究工作分为交通标志检测和交通标志分类两个阶段,其主要工作包括:(1)在交通标志识别的基础预备方面,制作了国内的道路交通图像数据集结合公开的数据集构成了初始数据集,并通过直方图判断其光照情况,对光照情况较差的图像采用限制对比度的自适应均衡算法进行预处理。(2)在交通标志的检测阶段,提出了一种HOG特征和SVM的交通标志检测方法。该方法首先通过统计交通标志的颜色阈值后对其图像进行阈值分割,去除了大量干扰,然后利用最大稳定极值区域算法对连通区域进行检测,完成了交通标志感兴趣区域的粗提取,最后提取交通标志感兴趣区域的HOG特征,并结合SVM进行二分类以确定真正的交通标志区域。实验表明该方法在检测时间上具有极大的优势,同时实现了较高的准确率。(3)在交通标志的分类阶段,在研究了随机森林和深度森林算法的基础上,提出一种基于深度森林的交通标志分类方法。该方法利用多粒度扫描的方式把交通标志数据切分成多实例特征,并且通过深度级联森林对特征进行逐层表征学习。实验结果表明该算法在准确率和运算时间上均得到了较好的效果。