由于快速路交通系统具有较强的非线性、随机性和不确定性,并且易受到各种外界干扰,如天气、道路、驾驶人员交通行为等因素影响。如何将先进的智能控制技术、信息融合技术、智能信息处理技术应用到快速路交通系统控制中成为学者们研究的一个热点方向。论文着重研究了快速路交通入口匝道的智能学习控制方法,进一步丰富和完善了模糊控制、迭代学习控制在入口匝道控制中的应用。论文主要研究内容和创新点总结如下：1)论文详细推导和总结了快速路交通入口匝道模型(如差分形式、微分形式、分布参数形式等),尤其是给出了差分形式的含有入口匝道排队长度的宏观交通流增广模型和分布参数系统模型的具体推演过程。同时论文还以差分形式的宏观交通流增广模型为例,给出了快速路交通入口匝道的控制目标和性能评价指标(平均旅行速度)。2)论文基于微分形式的宏观交通流增广模型,利用模糊逻辑整定PI控制器参数,提出了一种新的入口匝道模糊自整定PI控制方法。该方法充分利用了上游路段流入的交通流量和向下游路段流出的交通流量信息设计PI控制器,它能有效抑制超调量以及系统扰动等不确定性因素的影响,实现平滑控制,同时设计了相应的模糊控制逻辑,实现了复杂交通系统的PI控制器参数的在线调整。最后,仿真中与传统PI控制器、ALINEA控制器进行了比较研究,结果表明所提出的模糊自整定PI控制方法具有更好的跟踪效果,稳态误差趋于0的速度更快。3)论文充分利用快速路交通系统的重复性和周期性性质,研究了迭代学习控制在差分形式的含有匝道排队长度变量的宏观交通流增广模型中的应用,将入口匝道排队长度作为宏观交通流增广模型本身的一个变量,提出了入口匝道PD型开闭环迭代学习控制方法。该方法可充分利用以前重复运行过程的交通流密度误差信息和排队长度误差信息,实现对快速路主道上期望交通流密度和入口匝道上期望排队长度的同时跟踪。论文给出了严格的收敛性证明,仿真研究进一步表明因所提出的基于宏观交通流增广模型的PD型ILC的设计考虑了排队长度因素,从而具有较强的抑制外界扰动的能力,以及更好的瞬态响应性能和通行能力。