随着城市机动车数量的增加,因为车辆排放所导致的环境问题受到重视。作为城市交通的瓶颈,交叉口车辆的延误以及加减速过程会导致更多的车辆排放。低排放的信号控制方案的设计已成为智能交通领域的研究热点之一。传统的减排信号控制方案以综合车辆停车次数和延误,通过Webster公式得到配时与交叉口车辆排放量之间的关系再进行优化。但是这种方法未能考虑交叉口的初始排队长度,且Webster公式不适用于饱和度较高的情况。为了解决这一问题,本文考虑到交叉口初始排队长度以及车辆到达的随机性,基于Q-学习算法,本文提出了一种自适应的低排放控制方案,并通过仿真验证了该方法的有效性。论文的主要工作如下：1.分析了车辆在不同行驶工况下的尾气污染物排放特性,将车辆尾气排放模型引入微观车辆仿真软件USTCMTS2.0中,实现了交叉口车辆排放统计,为不同信号配时方案对车辆排放量的影响提供了评价平台。2.利用强化学习的方法,通过车辆排放仿真,建立了交叉口在不同车辆排队长度情况下的最优配时查询表。针对强化学习学习效率不高,收敛速度慢的特点,将模糊推理引入强化学习中,在学习开始前对Q函数初始化,加速了学习收敛速度。3.设计并开发了城市交通自适应控制系统。对控制系统的数据通信模块、数据库的设计、操作界面、显示界面以及仿真模块做了简要介绍。将排放自适应控制加入到城市交通自适应控制软件中,实现交叉口交通信号控制。