针对卷积神经网络的标量神经元无法表达特征位置信息，对复杂的车辆行驶环境适应性差，导致交通标志识别率低的问题，提出一种基于胶囊网络的智能交通标志识别方法。首先采用超深度卷积神经网络改进特征提取部分，然后在主胶囊层引入池化层，最后采用移动指数平均法改进了动态路由算法。在GTSRB数据集上的测试结果表明，改进后的胶囊网络方法在特殊场景下的识别精度提高了10.02个百分点，相对于传统的卷积神经网络，该方法的单张图片的识别时间缩短了2.09 ms。实验结果表明，改进后的胶囊网络方法能满足准确、实时的交通标志识别要求。

当不同类别的样本严重重叠在分类边界时，由于聚类假设不能很好地反映出数据的真实分布，基于聚类假设的半监督分类方法的性能，可能比与之对立的监督分类方法更差。针对上述不安全的半监督分类问题，提出了调整聚类假设联合成对约束半监督分类方法（ACA-JPC-S3VM）。一方面，它将单个未标记样本到数据分布边界的距离融入到模型的学习中，能够一定程度上缓解此类情况下算法性能的下降程度；另一方面，它将成对约束信息引入，弥补了模型对监督信息利用方面的不足。在UCI数据集上的实验结果表明，ACA-JPC-S3VM方法的性能绝不会低于支持向量机（SVM），且在标记样本数量为10时的平均准确率较SVM高出5个百分点；在图像分类数据集上的实验结果表明，直推式支持向量机（TSVM）等半监督分类方法出现了不同程度的不安全学习情形（即性能相近或低于SVM），而ACA-JPC-S3VM却能安全地学习。因此，ACA-JPC-S3VM具有更好的安全性与正确性。