Die Erkennung von Verkehrszeichen ist eine wichtige Forschungsrichtung im Bereich des intelligenten Fahrens. Leider ignorieren bestehende Methoden häufig extreme Bedingungen wie Nebel, Regen oder Bewegungsunschärfe. Zudem nutzt der End-to-End-Trainingsansatz für Bildentrauschungs- und Objekterkennungsmodelle die Informationsübertragung zwischen den Modellen nicht effektiv aus. Um diese Probleme zu lösen, schlagen wir CCSPNet vor – einen effizienten Merkmalsextraktionsmodul basierend auf Contextual Transformer und CNN, der sowohl statische als auch dynamische Merkmale von Bildern effektiv nutzen kann und eine schnellere Inferenzgeschwindigkeit sowie eine stärkere Merkmalsverstärkung ermöglicht. Darüber hinaus stellen wir die Korrelation zwischen der Objekterkennung und der Bildentrauschung her und entwickeln ein gemeinsames Trainingsmodell, CCSPNet-Joint, um die Daten-Effizienz und die Generalisierbarkeit zu verbessern. Schließlich erstellen wir zur Validierung unseres Ansatzes die CCTSDB-AUG-Datenbank für die Erkennung von Verkehrszeichen unter extremen Bedingungen. Umfangreiche Experimente zeigen, dass CCSPNet eine state-of-the-art-Leistung bei der Erkennung von Verkehrszeichen unter extremen Bedingungen erzielt. Im Vergleich zu End-to-End-Methoden erreicht CCSPNet-Joint eine Verbesserung der Genauigkeit um 5,32 % und eine Steigerung des [email protected] um 18,09 %.