随着国内汽车保有量的快速增加,导致交通安全问题频发,因此对交通智能化的需求日益增长。而交通标志检测和识别作为交通智能化的关键技术,已成为了当今学者的重要研究方向。本文通过对当前主流的目标检测算法进行分析和比较以后,得出YOLOv4检测算法不仅精确和实时性高,而且具有良好的应用和发展前景。故本文采用YOLOv4作为底层的模型,针对该算法在实际交通标志检测过程中存在的不足,提出了对YOLOv4改进的交通标志检测和识别算法。本文的重点研究内容包括:（1）在检测过程中,需要采用多尺度信息,而目前的检测器对不同尺度的交通标志检测时存在着不足。尤其是在对较小交通标志以及被遮挡交通标志进行检测时,更易出现漏检。针对当前存在的问题,本文在YOLOv4中融合了CBAM模块,从而构建了改进后的CBAM-YOLOv4网络模型。该模型通过提高有用特征权重,并抑制无效特征权重,从而进一步提高对交通标志的检测精度。本文使用K-means算法对交通标志数据集的先验框聚类,从而得到最佳的先验框信息,因此提高了对交通标志目标的检出能力。（2）YOLOv4模型和改进后的CBAM-YOLOv4模型的参数量都较大,在GPU资源受限的车载设备上不能高效运行。参数量大的模型会导致对交通标志的检测速率变慢,因此改进后的CBAM-YOLOv4网络很难在实际场景中得到应用。为了解决这个问题,本文使用轻量化网络Mobile Net V2和深度可分离卷积来压缩CBAM-YOLOv4模型的参数,提出了轻量化的M-CBAM-YOLOv4模型。实验结果表明,最终改进后的M-CBAM-YOLOv4模型检测精度达到了91.92%,与原来YOLOv4模型相比,保证了检测精度。此外,该模型的大小下降了接近200MB,且检测速度增加了87.50%。