交通运输是一个城市的经济命脉,城市交通系统是一个复杂、庞大的系统,具有不确定性、多变性、随机性。随着城市车辆数量的不断增加,传统的交通信号配时方案无法应对,无论国内外,每年因交通拥堵造成的多方面损失都是巨大的。而智能交通信号配时技术的出现,突破了传统交通信号配时的危机和瓶颈。近些年来,随着智能技术的发展,基于深度强化学习（DQN）的交通信号配时技术成为智能交通信号配时中的主流。基于DQN的交通信号控制较传统的信号配时技术更具有灵活性、自适应性,能根据实时的交通路网状态采取最佳的交通信号控制策略。但基于DQN的交通信号配时技术也存在许多不足之处,往往会由于值过高估计导致训练过程中神经网络参数不断跳跃波动、难以收敛等问题。并且随着路网规模的过大,DQN中的神经网络参数量和卷积计算量会变得十分庞大从而影响算法效率。本研究针对基于DQN的交通信号配时模型存在的以上常见问题进行了改进,设计了基于Double-DQN的智能交通信号配时模型。因为路网中各道路之间具有关联性,所以将路网划分为多个相互交叉区域并分别建立感受野以保证道路之间这种关联性,从而达到相互协同控制。交通流效率受多因素影响,考虑到道路上车辆密度和道路上车辆平均行驶速度都是影响路网中车辆行驶效率的主要因素,所以在路网特征数据收集阶段,收集了每条道路上双向特征,其中包括道路上的车辆密度、近十秒内道路上车辆平均行驶速度。为了方便将路网特征输入到预测神经网络中,将以上特征数据进行规范化处理,从而得到多通道的路网特征矩阵。为了更好地获取交通流中的时间维度特征,采用了3D卷积预测神经网络以捕获路网不同时间片之间的特征影响。建立双网络的神经网络来克服基于DQN的交通信号配时模型在训练过程中参数波动幅度过大的问题。使用了经验回放技术以打破训练数据之间的相关性。借鉴Inception网络模型,在预测神经网络中用多个小的卷积核替代某个大的卷积核,这样一来不仅减少了网络的参数量,还使得卷积神经网络模型的非线性映射、泛化能力得到了提升。最后在预测神经网络中的每两层神经网络中间加入1*1卷积核,以解决因网络深度加深而导致的卷积运算量变大的问题。在实验阶段,设置了两个评估控制算法性能的指标:所有交叉口处车辆的平均滞留时间、滞留于路网中的车辆数量。并搭建了SUMO交通仿真平台,用以模拟现实交通的车辆行驶情况,通过采集大量仿真实验数据,对比性能评估指标,最终验证了本研究提出的智能交通信号配时算法的优越性。