由于交通流的不确定性,随机性和非线性,很难对其建立精确的数学模型,针对这一问题,智能算法给交通控制提供了一种新的研究方向和思路,可以有效地控制日益严重的交通问题,合理的疏导交通流。本文采用智能控制的方法分别对单交叉口和整个区域进行控制。论文的主要工作包括以下三个方面：1.针对单个路口,采用结合了模糊控制和神经网络优点的模糊神经网络算法对路口进行控制,并用二级模糊神经网络控制器实现,依据车流信息实时的调整相位顺序。根据车检器检测的信息,确定路口的输入参数,判断进入绿灯延时模块还是相位选择模块。每个模块都用模糊神经网络来实现。最后在TSIS和MATLAB结合的平台上仿真表明,该二级模糊神经网络控制器能有效的减少通过单交叉口的平均车辆延误。2.对于路网区域,优化的参数有周期,相位差和绿信比,主要采用Q学习算法,针对Q学习算法的不足,首先进入模糊控制模块,判断当前状态是否在模糊推理中,是的话采用模糊神经网络对参数进行优化,否则采用Q学习算法优化参数,并用神经网络来存储Q值。通过改进的Q学习算法可以提高算法的学习速度和控制的准确度。最后将算法在TSIS和MATLAB结合的平台上仿真,证明该算法的有效性。3. MALAB作为目前流行的数学软件,其中包括很多工具箱和库函数,大大简化了编程的复杂度；TSIS是目前流行的交通仿真软件,但是开发语言较单一；本文充分利用这两个软件的优势,从而方便快捷的验证交通控制算法,实现TSIS的二次开发。