针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题，提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层，将卷积过程分解为深度卷积、逐点卷积两部分，实现通道内卷积与通道间卷积之间的分离，从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次，在损失函数设计上使用广义交并比（GIoU）损失替换均方误差（MSE）损失，将评测标准量化为损失，解决了MSE损失存在的优化不一致和尺度敏感的问题，同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题，通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明，在TT100K数据集上，该算法的平均精度均值（mAP）指标达到了89%，相较于YOLO v3算法提升了6.6个百分点，且其参数量仅为原始YOLO v3算法的1/5左右，每秒帧数（FPS）亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时，提高了检测速度和检测精度。