交通标志包含着重要的道路交通信息,对车辆的行驶起着指导作用,及时、准确地感知理解视野内的交通标志信息,是引导智能汽车在道路交通系统中安全、规范行驶的前提。本文在对国内外交通标志识别技术分析研究的基础上,针对目前算法存在的识别精度低、平移扩展性差等问题,基于深度学习和迁移学习思想,设计了一种融合多尺度卷积网络与域适应策略的交通标志识别方法。论文主要研究工作如下:提出了一种基于多尺度卷积的交通标志识别网络。针对交通标志目标尺寸变化较大,易导致识别精度低的问题,设计一种基于多尺度卷积的交通标志识别网络。首先利用层级稠密连接的特征提取基础网络,从输入图像提取融合低层信息与高层信息的单尺度特征图;其次构造尺度转换层,以单尺度特征图的不同层作为输入,并设计相应的转换操作,将特征图由单尺度转换为多尺度;最后基于多尺度特征图得到目标检测框(候选区域),并通过面向分类与边界框回归的预测网络,输出交通标志目标的边界框位置参数及其属于各个类别的分类概率,选择概率最大的类别作为最终分类结果。提出了一种交通标志识别网络域适应策略。为了提升交通标志识别网络在多变的、有效标注数据匮乏的测试场景中的平移扩展性,设计一种交通标志识别网络域适应策略。首先应用H散度并结合概率论将域适应问题解构,将其转换为求解图像级与目标级域分类器误差最优的对抗性问题;其次分别从图像级和目标级设计域分类器,并通过梯度反转层以实现对抗学习中的参数优化;最后将提出的域适应策略应用于基于多尺度卷积的交通标志识别网络的训练阶段,通过在识别网络的两个特征提取部分与域分类器之间插入梯度反转层,实现交通标志识别网络参数与域分类器参数的同步优化,交通标志识别网络通过参数优化可以提取到具有域不变性的特征,则经过训练的识别网络可以鲁棒地应用于无标签场景数据中。在跨域数据集和真实交通场景中对提出的算法进行了测试验证。实验结果表明本文算法在不同类别目标、多尺度目标上都取得了80%以上的识别精度;与Faster R-CNN和MC-CNN两种算法的对比实验结果表明,本文算法的识别精度分别提高了约30%和20%。