交通标志检测和识别是无人驾驶汽车中的关键技术之一,近年来受到国内外学者的广泛关注。随着计算机计算能力的不断提高以及深度学习技术的蓬勃发展,基于图像的目标检测取得了较好的效果。基于卷积神经网络的目标检测方法在交通标志检测中有着广泛的应用前景和研究价值。本文研究了基于卷积神经网络的交通标志检测方法,结合交通标志的特点对基于回归方法的目标检测模型进行了改进和优化,提出了基于回归方法的交通标志检测模型,并且通过网络层连接融合提高检测网络对像素占比过低的交通标志的检测能力。本文工作主要包括:(1)提出了三种检测模型网络结构设计和改进方法。在YOLOv2网络结构的基础上,将特征图中3×3卷积层分解为3×1卷积层和1×3卷积层,使得模型深度加深的同时减少模型的参数,简化了运算;利用ResNet方法设计了多种残差模块,通过跨层连接的方式缓解深度卷积网络在梯度回传时可能出现的梯度消失和梯度爆炸现象;将检测网络中的池化操作替换为步长为2的卷积操作,利用卷积层降维,同时在网络底部增加多个1×1卷积层提取交通标志特征。在GTSDB数据集上的实验结果表明,上述三种方法对模型的检测效果均有一定程度的提升。(2)对交通标志检测模型的训练方法进行了优化,使用批再标准化使各层的数据分布一致,并使用Focal Loss关注难分类样本,加快训练速度。同时,在YOLOv2网络结构的基础上,结合网络结构的设计与改进和训练方法的优化,提出了基于回归方法的交通标志检测模型。该检测模型在GTSDB数据集上检测结果的召回率为95.23%,检测单张图片需要耗费0.017秒,能够满足实时性和准确性的要求。(3)针对TT100K数据集部分交通标志在整体图像中的像素占比过低的特点,提出了将检测网络底层特征和顶层特征进行连接融合的交通标志检测方法。顶层特征包含整体及位置信息,底层特征包含图像丰富的细节信息,通过将两类特征连接融合提高了模型对像素占比过低的交通标志的检测能力。在TT100K数据集上的实验结果表明,基于特征融合的交通标志检测模型的召回率为95.38%,且检测单张图片的平均耗时为0.04秒,在保持较高检测精度的同时可以实现交通标志的实时检测。