随着世界各国城市化进程的加速,城市交通拥堵问题已经成为当今世界许多城市所面临的难题。利用基于车载自组织网络(VANET)收集实时交通数据,对交叉路口信号灯进行配时优化,为用户提供便捷交通引导服务具有重要研究意义。针对VANET网络拓扑快速动态变换和交通信号灯配时优化问题,本文以减少城市拥堵,提高道路利用率为目标,对VANET中分簇交通数据收集和信号灯配时优化这两个关键问题进行研究。首先,以增强网络拓扑稳定性,提高数据传输率,降低通信开销为目标,提出一种动态分簇的交通数据收集算法。为适应VANET网络中车辆节点的动态特性,在车对车通信模式(V2V)下,采用近邻传播簇头选择算法,将邻居节点集、车辆速度、节点间距离和车道权重值作为簇头选择判据,对簇内节点进行评估,建立适应VANET网络的分簇结构；采用车与基础设施通信模式(V2I),簇头节点实时收集交通数据并发送至交叉路口智能体,为交叉路口信号灯进行配时优化提供实时的交通状态信息。其次,针对大规模城市交通系统中车流非连续性、时变性、随机性等特点,提出一种快速梯度下降的协同分布式Q学习信号配时优化算法。建立交通信号配时优化中的Q学习模型,利用VANET网络收集的实时交通数据,对交叉路口各车道车辆排队长度进行估计；通过交换相邻路口的交通状态信息,根据交叉路口间协同行为,设计无需中央监控代理的优化策略。为提高信号配时优化算法的实时性,引入快速梯度下降因子,设计函数逼近方法,解决协同分布式Q学习中动作行为对呈指数增长的维数灾难问题；并对传统Q学习中的ε-贪婪策略进行改进,寻求搜索和利用平衡策略,加快算法收敛速度。利用VanetMobiSim和NS-2对交通数据分簇收集算法联合仿真,使用GLD和MATLAB对交通信号配时优化方案进行仿真,验证论文所提算法的有效性。图27幅,表2个,参考文献71篇。