交通标志的检测与识别系统是实现智能交通系统关键子系统,在辅助驾驶、智能导航、自动驾驶、智慧交通、交通标志维护等领域都有着广泛的应用^[1]。同时,出于安全性考虑,交通标志检测与识别系统需同时具备准确、快速的特点。现有的传统交通标志检测与识别算法难以解决自然场景下各种不同光照条件、复杂背景、目标过小等问题;现有的基于深度学习方法的交通标志检测与识别算法难以在车载场景兼具算法性能与速度。因此,本文尝试将深度学习方法应用于交通标志检测与识别,并对该过程进行加速,在自然场景中兼具准确、快速的特点。本文旨在对自然场景中的交通标志进行检测与识别,同时算法需要兼具性能与实时性。为了保证算法的准确性,本文提出具有通道注意力的YOLOv3-SPP检测网络;为了保证算法的实时性,本文对检测模型进行通道、残差块的剪枝,同时使用轻量级的交通标志识别模型。其中,主要工作和创新点如下:（1）提出了具有通道注意力机制的YOLOv3-SPP检测网络。本文结合了YOLOv3-SPP检测网络与SE结构,在置信度损失和分类损失中使用了Focal Loss损失函数,在边框损失中使用了GIoULoss,定制了用于交通标志检测的锚框。通过实验证明了该模型能够对自然场景中的交通标志有着良好的检测效果。（2）使用了基于通道剪枝、残差块剪枝的模型压缩方法。本文使用了BN层的γ尺度因子来诱导模型的稀疏;使用融合剪枝通道mask的策略对与残差层连接的卷积层剪枝,使用阈值剪枝mask的策略对普通卷积层进行剪枝;对所有的残差模块进行统一评价再剪枝掉不重要的残差模块。在保证模型性能的前提下,该混合剪枝策略能够极大程度压缩模型参数、降低模型所需计算量,减少了交通标志检测算法所耗的时间。（3）使用了基于MobileNetv3的轻量级交通标志分类网络。本文使用的分类网络的配置参数是通过神经架构搜索而得,继承了深度可分离卷积、倒残差结构、线性瓶颈结构。该网络能够同时兼顾分类的准确与速度,满足在交通标志识别阶段各方面要求。实验结果表明,本文的剪枝检测模型在测试集能够达到召回率91.8%、精确度87.6%,最快100FPS以上的速度;本文所使用的识别模型准确率为94.6%。检测模型与识别模型级联后,能够准确快速地对自然场景中的交通标志进行检测与识别。