El reconocimiento de señales de tráfico juega un papel importante en los sistemas de transporte inteligente. Motivados por el reciente éxito del aprendizaje profundo en la aplicación del reconocimiento de señales de tráfico, presentamos una arquitectura de red superficial basada en redes neuronales convolucionales (CNN). La red consta de solo tres capas convolucionales para la extracción de características y aprende de manera optimizada hacia atrás. Proponemos el método de combinar diferentes operaciones de agrupamiento para mejorar el rendimiento del reconocimiento de señales. En vista del rendimiento en tiempo real, utilizamos la función de activación ReLU para mejorar la eficiencia computacional. Además, se toma una capa lineal con pérdida softmax como clasificador. Utilizamos el banco de pruebas de reconocimiento de señales de tráfico alemán (GTSRB) para evaluar la red en CPU, sin hardware de aceleración GPU costoso, bajo condiciones de reconocimiento del mundo real. Los resultados del experimento indican que el método propuesto es efectivo y rápido, y logra la tasa de reconocimiento más alta en comparación con otros algoritmos de última generación.