伴随着城市化进程的发展,交通拥堵已经成为严重的社会问题。研发高效的交通信号控制算法不仅可以降低由于交通拥堵造成的经济损失,还可以提升人们的出行效率。作为一种高效的复杂系统控制优化解决方案,强化学习被越来越多地应用到交通信号控制领域。然而,基于强化学习的交通信号控制方法其性能严重依赖于对交通环境的精确建模。受交通基础设施的限制,部分交通网络中的车辆动态信息难以实时获取,这就导致很多现有的强化学习算法难以适配真实的交通环境或学习过程收敛速度慢。因此,在车辆动态观察受限的情况下,如何快速地构造面向交通信号控制的高质量强化学习模型成为一大挑战。此外,随着V2X技术的发展,越来越多的车辆动态信息（如车辆速度、等待时间等）能够被实时获取。如何综合利用这些信息实现对强化学习模型中状态与奖励机制的精确建模,挖掘强化学习的潜力也成为了一大挑战。针对上述挑战,本文研发了面向不同交通场景的基于强化学习的交通信号控制算法及其系统,旨在降低车辆平均出行时间的同时加快强化学习模型收敛速度。本文主要贡献如下:（1）针对车辆动态信息观察受限的交通场景,提出了一种基于路口聚类的快速强化学习算法。该算法利用车辆数量信息实现了交通压力建模和强化学习建模,并基于交通流量信息对交通路口进行了聚类划分。通过精确的强化学习建模和对交通路口的集中控制,算法能够快速学习到高质量信号控制策略。（2）针对车辆动态信息易观察的交通场景,提出了一种交通强度和相位时长感知的高效强化学习算法。该算法基于车辆动态信息,创新性地提出了交通强度的概念,实现了对强化学习状态和奖励的精确建模。算法还支持根据车辆数量和速度信息进行动态相位时长的选择,大大降低了车辆平均出行时间。（3）基于One NET物联网平台,研发了支持强化学习算法部署的“云—端”协同交通信号控制系统。该系统支持从交通环境中实时获取交通数据,实现了基于强化学习方法的实时交通信号控制。在不同路网规模的真实交通数据集和仿真交通数据集中的实验结果表明,与其他最新的交通信号控制算法相比,本文提出的方法可以在显著降低车辆平均出行时间的同时加快强化学习模型收敛速度。