交通标志检测是智能交通系统的重要组成部分,被广泛应用于实时环境感知,高精度地图构建等任务,有着巨大的应用价值。然而,现有的交通标志检测算法往往起源于通用物体检测,未充分考虑到交通标志自身特性。交通标志检测面临三方面挑战:（1）交通标志检测往往基于车载摄像设备采集到的图像,因此大部分交通标志都只占原始图像中很小的比例,检测这样的小目标物体非常困难;（2）同类交通标志间往往非常相似,只有细微差别,因此在目标检测网络中准确分类交通标志非常有挑战;（3）为获得更好的特征表示,基于深度学习的目标检测模型往往使用庞大的特征提取网络,导致网络参数量和运行时延非常大,难以满足实时部署要求。针对以上困难和挑战,本文研究了以下内容:（1）提出了一个基于特征聚合的多路径网络FAMN,通过特征聚合模块和多路径网络模块解决了多尺度特征分配和细粒度特征构建的问题,改进了交通标志检测的准确率,相较于其他方法平均准确率提升了 2.9%;（2）提出了基于注意力机制的自适应动态网络AD-RCNN,其由动态区域建议网络,视觉注意力分支和自适应动态网络训练三个子模块组成,有效提升了检测质量,相较于基线方法,AD-RCNN精度提升了 8%。除此之外,本文构建了轻量化的自适应动态网络AD-RCNNLite以满足实时交通标志检测的需求;（3）基于上述两个网络模型,本文构建和实现了基于深度学习的交通标志检测服务平台,验证了本文提出方法的有效性并以API的形式对用户提供服务,降低非计算机视觉背景用户构建交通标志检测应用的难度。