交通标志识别系统（TSR,Traffic Sign Recognition）作为智能交通系统ITS的重要组成系统,在人工智能飞速发展的今天,在辅助驾驶、调节交通秩序、提高车辆通行效率、降低人为交通事故发生率等方面均发挥着正向积极作用。在实际的检测识别中,自然场景下交通标志检测识别易受光线明暗、场景复杂程度、外物遮挡、距离远近等因素影响,且交通标志的检测识别属于复杂场景下的小物体检测,在一张图像中的像素及尺寸往往很小,相比于普通物体检测难度更大。目前主流基于深度学习的目标检测算法虽然针对常见目标检测识别效果不断改进,但对于交通标志这类特定目标的性能还有待提升。基于上述研究意义与存在问题,本文在主流深度学习目标检测算法的基础上,针对交通标志目标特性与当前算法不足之处,改善优化原始算法性能,提高交通标志检测精度与速度,并进一步研究在嵌入式平台上交通标志检测识别系统的设计与实现。本文主要工作总结如下:1.针对自然场景下交通标志检测识别的目标尺寸小与场景复杂多变问题,研究基于改进darknet-62的交通标志检测算法以提升检测精度。通过将特征提取网络darknet特征提取卷积层数加深至62层以更充分地提取交通标志浅层与深层特征信息;提出基于特征金字塔网络FPN的五尺度预测网络,将输出特征层的分辨率提高到128×128尺度,通过融合浅层高分辨率细节特征与深层抽象语义信息,针对性提升图像中少像素目标的检测效果;改进算法损失函数,以基于GIo U指标的损失函数LGIo U替换常用损失函数,既解决了常用损失函数实际效果与检测评估指标Io U最大化之间的偏差问题,也避免了Io U作为损失函数存在的局限性,使得网络模型训练效果更加精准;改进输出特征图的先验框中心定位点,针对性地提升位于特征图网格单元拐角处或彼此相邻小型交通标志的定位检测准确度。实验结果表明,改进后算法相较于主流算法较好地提升了交通标志整体检测识别精度,尤其中小型交通标志效果提升显著。但是改进算法在提升检测精度的同时,一定程度增加了模型大小与复杂度、降低了运行效率。2.针对1中存在的问题,以兼顾精度与速度为目标,选取检测精度与运行速度较为平衡的YOLOv3算法,研究基于改进YOLOv3的交通标志检测算法。通过研究BN层与网络层的共通之处,在不影响模型性能的基础上合并BN层与卷积层,减少网络模型层数与参数、提升算法前向推理速度;选择性地调整借鉴（1）中改进点,以LGIo U改进原始损失函数、改进先验框等方式提升原始YOLOv3算法的整体检测精度以及针对小型目标的检测效果;通过k-means拟合目标交通标志数据集的尺寸、重新聚类先验框尺寸,提升对目标预测框定位准确性、加快检测速度;编写代码转换数据集格式并完成实验与分析,改进后算法在精度与速度的平衡与提升上均取得较好效果。3.根据系统功能设计嵌入式系统的整体结构,搭建系统硬件与软件平台环境,完成模型移植与系统实现,编写实现语音播报功能程序代码,完成基于动态视频的系统功能实时测试,本文嵌入式交通标志检测识别系统能够较好的实现预期功能,并能保持在嵌入式平台上较为理想的运行速度。