交叉口信号控制是解决城市交通问题的有效方式和手段,随着5G等实时通讯技术的商用和普及,使得车联网发展的具有了技术前提,加快了车联网技术发展进程,也给交通信号控制带来了新的挑战。但是车联网环境的建设并不是一蹴而就的,它需要对车辆和基础设施进行升级,车辆和基础设施的升级需要一定的时间,这导致车联网升级的过程中必然有一段智能网联车和常规车辆混合行驶的阶段,这种过渡阶段在本文中称为不完全车联网环境。在智能网联车和常规车辆混行的不完全车联网环境下,如何利用好智能网联车实时通信获得的交通信息,对未联网车辆进行实时估计,并且根据实时交通参数建立自适应信号控制方法是当前研究的重点。本文主要工作如下:（1）在智能网联车和常规车辆混行情况下,改进了车辆位置和速度估计算法。采用IDM跟驰模型和Wiedemann跟驰模型来描述智能网联车和非网联车的驾驶行为。利用智能网联车实时通信功能获取实时交通数据,基于实时交通数据和车辆跟驰模型对未联网车辆速度、位置等参数进行估计。通过未联网车辆的参数估计和智能网联车获取的实时交通数据,可以得到路网中车辆实时位置和速度,根据以上数据得到车辆到达表。（2）在交通参数估计基础上,结合双环相位提出基于动态规划交叉口自适应信号控制优化模型。根据智能网联车实时数据来对非网联车的速度和位置估计,预测出车辆到达表。根据车辆到达表和信号灯状态,结合NEMA双环相位结构,对交叉口相序和相位时长进行优化,建立以车辆总延误最小为目标函数的优化模型,并设计动态规划算法求解该模型。此外考虑交叉口车流在预测区间的动态变化,在动态规划算法基础上引入了滚动优化策略,根据实时的车辆数据对交叉口信号配时进行滚动优化。（3）在SUMO仿真软件中搭建不完全车联网环境,对算法进行仿真实现和评估。在SUMO中建立交叉口和设置车辆运行条件,通过Sumo的Traci（Traffic Control Interface）接口,利用python对SUMO进行二次开发。利用python编写车辆位置和速度估计算法和交叉口自适应信号控制模块,利用Traci接口实现信息交互,实时的去修改并在线操纵车辆和信号灯,根据获取数据对算法进行评估分析。