随着5G、车联网、大数据等技术的逐步完善,智能网联汽车将逐步成为未来主要的出行方式之一,传统人工驾驶汽车可能将逐步被智能网联汽车取代,在此过程中,必然会出现智能网联汽车和人工驾驶汽车混行的情况。而交叉口汇集多个方向上的交通流,交通情况复杂,因此针对智能网联汽车混行车流的运行特征,合理组织其通过交叉口,对缓解交叉口延误、保障交通安全具有极其重要的意义。论文探讨了智能网联汽车和人工驾驶汽车的运行特征,分析了两者混行情况下交通流特征,并与元胞自动机模型相结合,分别建立了智能网联汽车混行环境下路段元胞自动机模型和交叉口车辆轨迹优化模型。之后利用MATLAB软件进行编程,对两个模型进行仿真实验,分析了不同场景下智能网联汽车和人工驾驶汽车混行的交通流特征。本研究在混行环境下路段元胞自动机模型构建过程中,首先结合安全车距思想,分析了智能网联汽车和人工驾驶汽车跟驰时各自的安全距离,同时根据二者不同的运行特点和物理特性,构建各自的演化规则:人工驾驶汽车选用全速度差模型进行演化,考虑车辆的随机慢化效应;智能网联汽车采用加州大学伯克利分校PATH实验室自适应巡航控制车辆跟驰模型进行演化。此外,在结合交叉口构建混行环境车辆轨迹优化模型时,人工驾驶汽车沿用全速度差模型,智能网联汽车则引入强化学习Q-learning模型进行控制,以实现交叉口处的车辆轨迹优化。本文利用MATLAB对智能网联汽车混行环境下的路段元胞自动机模型、交叉口车辆轨迹优化模型分别进行仿真分析,结果显示:在路段中,同等车流密度情况下,智能网联汽车渗透率越高,车辆的运行轨迹越平滑,车流平均速度和车流量越高,交通阻塞现象也越少。在针对案例交叉口的仿真实验中,利用Q-learning算法控制的智能网联汽车能够有效优化自身行驶轨迹,引导人工驾驶车辆行驶。随着智能网联汽车渗透率的逐渐升高,车辆在交叉口的排队长度、车辆平均油耗均逐渐降低。相比于传统交通环境,当智能网联汽车渗透达到0.2时,高峰和平峰时段车辆平均排队长度分别减少了34米和8米,车辆平均油耗分别降低约10%和5%;当渗透率达到1时,高峰和平峰时段车辆排队现象均消失,车辆平均油耗分别降低了约40%和20%。