在智能驾驶技术中,交通标志的检测与识别至关重要。传统的算法模型,精度不高且满足不了实时性的要求。使用深度学习的方法构建交通标志检测与识别模型,使得其精度与速度都得到了极大的提高,但这仅限于在目标较大的时候,当交通标志作为小目标出现的时候检测准确率就大大下降。然而在真实的驾驶场景中,交通标志在图片中往往是以小目标的形式出现,本文中的研究工作致力于提升小目标的交通标志检测与识别的准确率。首先,提出了重建小目标交通标志分辨率的数据预处理方法,在该任务中选取了以小目标交通标志为主的数据集,是由清华联合腾讯制作的TT100k数据集,源于腾讯地图的街景图片,图片背景与光照条件丰富,样本数据中的交通标志都属于小目标,但是其中的标注类别严重不平衡,在进行训练之前首先对样本数据进行筛选与处理,得到相对均衡的标注类别。针对交通标志在整个图片中所占比例过小,图像分辨率较低的问题,对交通标志进行分辨率重建,丰富图片信息,对经典的超分辨率重建模型SRCNN重新构建,优化结构并改进激活函数来提升其重建能力。其次,提出了混合注意力机制和多尺度特征的交通标志检测与识别模型,为了获得更高的检测与识别的准确率,文中基于YOLOv4改进得到小目标交通标志检测与识别模型。主要从三个部分入手:小目标本身包含的特征信息有限,在经过多层卷积之后保留下来的有效信息就很少,所以在骨干网络部分嵌入注意力机制用于获取到更多的重要特征信息;实验所用数据样本存在正负样本不均衡的现象,使用Focal Loss损失函数可以减少负样本对训练模型优化的影响;在对图片特征提取的过程中,浅层网络提取到大多是几何特征的细粒度信息,深层网络提取更多抽象的信息,几何信息和抽象的语义信息对于增加准确率很有帮助,文中使用多尺度特征融合,用来获得更全面多样的空间几何信息和语义信息,在小目标检测与识别任务中表现良好,可以很好的提升整个网络模型性能。论文中基于上述的方法,对数据集中的样本数据先做了处理,进行了数据扩增,并且提升小目标交通标志的分辨率,对YOLOv4网络模型进行优化,在交通标志数据集TT100k上验证各个网络模型的性能,结果表明论文中提出方法的有效性,检测与识别的准确率有了14.16%的提升。