针对目前交通标志识别算法存在的精度低、速度慢、以及模型参数量较大等问题,本文在YOLOv3目标检测算法的基础上进行改进,搭建目标检测新模型,并在扩充的TT100K数据集下进行测试。主要工作内容如下:首先,针对目标检测算法精度较低的问题,使用CIoU损失代替原YOLOv3网络中的均方误差损失,优化了边界框定位损失,改进边界框尺度敏感的问题。使用Mish激活函数代替原网络中的Leaky Relu函数,优化了梯度下降的效果。增加注意力机制,在训练参数减少的前提下,几乎不改变网络模型的识别精度。增加多尺度预测,有效的提升对于小目标的检测效果。将以上改进点整合,在扩充的TT100K数据集下训练得到YOLO-A检测模型。经测试,该模型达到了96%的识别精度,较YOLOv3模型提升了13个百分点。其次,针对算法速度较慢、模型较大的问题,使用深度可分离卷积代替原网络中的常规卷积,大幅度减少网络模型的训练参数,并在扩充的TT100K数据集下训练得到YOLO-B检测模型。经测试,该模型达到了每秒42帧的识别速度,较YOLOv3模型每秒提升了22帧,同时模型大小仅为89.6MB,较YOLOv3模型减少了约62%的参数量,成功实现网络模型轻量化。最后,综合识别精度、识别速度与模型大小因素,将所有改进点整合,在扩充的TT100K数据集下训练得到YOLOv3-Ours检测模型。经测试,该模型的识别精度达到了94%,较YOLOv5s高出3%,同时保持了每秒38帧的识别速度。较SSD每秒提升4帧。因此,本文的改进算法能够完成高精度、实时性的目标检测任务,也为部署在移动平台提供了可能。