随着社会科技的不断进步发展,人们的日常出行范围不断扩张,物质生活的提高促使城市交通需求更进一步增长,导致路网的拥堵现象也愈演愈烈。在城市交通运行系统中,通常采用先进的控制策略对信号配时进行优化调整,从而缓解交通拥堵现象,而大多数信号优化管控措施均基于数学机理模型,如果能建立一个充分反映路网交通流稳态和动态变化特性的数学模型,并对模型中有关交通流特性的参数进行辨识,则可以大大改善算法的控制性能,提高城市路网的承载能力。因此,本文引入迭代学习辨识策略,重点研究了城市路网宏观交通流模型的参数辨识问题,并在此基础上,利用模型预测控制方法对信号配时进行优化。本文首先对城市路网交通流系统的建模工作展开研究,以车辆的整体运行情况为研究对象,从宏观角度出发建立交通流模型,并针对其具有的周期性特点,利用迭代学习理论对模型的参数辨识问题展开研究,完成收敛性证明分析,随后针对交通流系统的实际情况和迭代学习理论的局限性,对迭代学习律的增益选取问题展开研究,提出一种自适应迭代学习辨识策略,最后,将模型预测控制算法应用于路网交叉口的信号控制优化中,通过仿真实验证明了参数辨识的必要性和模型预测的控制效果。论文的主要工作如下:（1）为了能更好地优化城市路网交通信号配时方案,本文采用能直观描述路网交通流动态变化的存储转发模型,并针对交通流具有的不确定性和随机性,建立更加精细化的车辆排队模型,将存储转发模型与车辆排队模型相结合,提出一种非线性宏观交通流模型,为后续城市路网宏观交通流模型的参数辨识与信号控制研究提供数学模型基础。（2）路网交通流的模型质量在一定程度上会影响信号控制系统的性能,因此需要对表征交通流特征的模型参数展开辨识研究,考虑到交通流系统是一种在有限时间区间内具有重复运行特点的非线性时变系统,因此提出一种时变多参数的迭代学习辨识策略,充分利用交通流系统的重复性特征完成参数辨识工作,借用λ范数对迭代学习辨识策略的收敛性进行分析证明,通过VISSIM-MATLAB交通仿真平台进行对比分析实验,验证了迭代学习理论在模型参数辨识方面的可行性。（3）针对城市路网交通流系统不满足严格重复的初始化问题和实际交通流系统会面临各种随机性扰动的问题,引入具有数据驱动思想的去伪控制概念,对迭代学习辨识策略中单一化的学习律增益进行优化改进,提出一种基于去伪控制的交通流模型参数自适应迭代学习辨识策略,通过严格的数学理论推导对含随机扰动且初值可变的交通流模型参数自适应迭代学习辨识算法进行收敛性证明,最后对仿真实验进行补充改进,增加多种随机性扰动因素,使路网仿真更加契合实际情况,仿真结果表明该算法能够提大幅提升参数辨识的收敛速度和抗干扰能力。（4）借鉴已有的城市路网交通信号控制方法和模型预测控制算法的滚动优化和实时校正特点,以路网内各交叉口的排队车辆数均衡为控制目标,分别采用基于一般化模型的预测控制和基于时变参数模型的预测控制,对城市路网交通流系统进行信号优化控制,通过VISSIM的仿真评价指标对实验结果进行分析,结果表明模型预测控制算法的控制性能在一定程度上受限于系统的模型质量,模型越精确则控制效果越好。