21世纪以来,中国经济快速发展,人们拥有的汽车数量急剧增长并且交通路网日趋复杂,城市也成为了“堵城”,改善交通拥堵问题刻不容缓。在道路基础设施建设相对固定的情况下,合理的交通信号控制策略可有效缓解交通路口拥堵状况,从而减小行车延误。针对现有交通信号控制策略中较少利用交通流动态变化的特征,本文依据交通流特征,运用神经网络对实际路口中交通流类别进行分类与识别,在此基础上提出区分交通流模式的自适应道路信号控制策略,实现了控制策略与交通流类别精准匹配,减小了人为判断交通状态具有主观性带来的误差,主要内容如下:(1)阐述了信号灯配时控制的基本方式、参数模型、关键性能评价指标等。(2)针对交通流类动态信息获取问题,建立了基于车流量特征信息感知的窗口道路模型,描述了窗口道路模式下的车载网络与道路中通信设备信息交互流程。基于该模型完成后续智能控制过程中车流、车道及车辆优先级等关键信息的获取。(3)基于历史统计数据,首先采用极大熵方法对交通数据预处理;利用SOM神经网络对交通流状态聚类,结合路口时间段与路段环境特征分析,实现了交通流模式的科学划分;在交通流类别划分的基础上,引入PNN神经网络对该路口的交通流模式进行训练学习;最后输入该路口不同日期下的车流量数据验证PNN网络识别的准确性。(4)分析了门限轮询服务算法、Webster控制算法、紧急交通控制策略,并对传统Webster信号配时算法进行改良,提出了一种基于交通流模式优化的Webster配时方法。在分析了各控制策略优势与交通流特征基础上,对路口状态类别和控制策略匹配,提出了基于交通流识别的自适应控制策略,制定了时间段与交通流模式下的建议控制策略表。(5)以昆明市聚贤街与景明南路路口为测试对象,通过24小时内的交通数据采集,基于VISSIM平台根据路口实际状况搭建出实际道路仿真模型,以信号配时方案为研究对象,选择行车延误、停车次数、排队队长作为评估配时方案设计优良的指标,完成了所提出的控制策略的性能测试及分析。