交通标志识别是智能交通系统中的关键技术之一，对道路安全和交通效率至关重要。
传统的交通标志识别方法通常依赖于手工设计的特征提取器，识别准确率和鲁棒性有限。
近年来，深度学习，特别是卷积神经网络（CNN）在图像识别领域取得了显著的成果。
CNN能够自动学习图像特征，并具有强大的特征表达能力，因此被广泛应用于交通标志识别领域。
本文综述了基于卷积神经网络的交通标志分类模型研究进展，首先介绍了交通标志识别的研究背景和意义，以及卷积神经网络的基本概念；其次，对现有的基于CNN的交通标志分类模型进行了详细的分类和比较分析，包括经典的CNN模型、基于改进CNN结构的模型、基于多模型融合的模型等；然后，总结了交通标志分类模型常用的数据集和评价指标；最后，展望了基于卷积神经网络的交通标志分类模型未来的研究方向和挑战。
关键词：交通标志识别；卷积神经网络；深度学习；模型优化；文献综述
交通标志识别(TrafficSignRecognition,TSR)是智能交通系统(IntelligentTransportationSystems,ITS)的重要组成部分，旨在使车辆能够自动识别和理解道路上的交通标志，为驾驶员提供辅助驾驶信息，提高驾驶安全性，并促进自动驾驶技术的发展[1]。
传统的交通标志识别方法通常依赖于手工设计的特征提取器，例如方向梯度直方图(HOG)[2]和尺度不变特征变换(SIFT)[3]等，然后将提取的特征输入到支持向量机(SVM)[4]或随机森林(RF)[5]等分类器中进行识别。
然而，这些方法存在着识别精度低、鲁棒性差等问题，尤其是在复杂交通场景下，例如光照变化、遮挡、模糊等情况下，识别效果难以令人满意。
近年来，随着深度学习技术的快速发展，卷积神经网络(ConvolutionalNeuralNetwork,CNN)在图像识别领域取得了突破性的进展[6]。
