信号控制交叉口作为城市路网中交通流汇合、转向、分流的重要节点,是保障城市交通顺畅关键之所在。传统交叉口控制模式,在当前交通方式与流量持续增多、时空冲突日趋复杂的交叉口环境中逐渐力所不及。智能车路网联技术实现了大范围、全方位的车与路实时动态信息交互,为探索新型交叉口交通控制手段提供了技术基础。基于充分利用网联车辆的可控性与车路信息交互优势,系统性地对多层次交通环境下的车速引导与交通信号控制进行了研究,主要工作概括如下:（1）网联/非网联车辆混合交通流微观建模问题研究。针对网联/非网联车辆在接近交叉口过程中各自的行驶特性,整合设计了考虑个体特性的车辆运动模型与驾驶人行为模型,建立了机理分析与数据驱动相结合的人车系统模型。发挥智能车路网联的多源数据优势,运用神经网络、高斯混合隐马尔可夫等技术,基于车辆间距、车辆相对速度、车辆与交叉口相对距离、交通信号相位与剩余时间、油门刹车踏板、速度引导信息等数据进行模型训练。实现了区别车辆个体特性的车辆轨迹预测、以及交叉口拥堵与延误动态预测,为后续考虑混合交通流环境下的交叉口交通控制提供模型基础。（2）网联/非网联车辆混合环境下的车速引导问题研究,以及车速引导与交通信号协同控制问题研究。建立了基于交叉口车辆轨迹预测的车速引导与交通信号双目标协同优化控制模型,根据实时车辆状态与交通信号配时,对网联/非网联车辆组成的混合组队进行最优速度引导;与此同时,根据车辆预测轨迹,对交通信号进行最优配时。并将独立交叉口的双目标协同优化控制模型扩展至主干道多交叉口的多段双目标协同优化控制模型。通过在速度引导中区分轻/重型车辆,并采用分层优化的近似求解框架,降低问题维度与求解复杂度,最终实现了区域路网中的车速引导与交通信号协同控制。（3）有轨电车与网联/非网联普通车辆混合的复杂交叉口交通控制问题研究。基于车、路实时动态信息交互,提出基于信号相位序贯决策模型进行公交信号优先控制设计的新思路。通过深度神经网络处理智能车路网联复杂交通环境数据,进而有效获取各网联/非网联普通车辆以及有轨电车实时动态变化,实现网联普通车辆自主速度优化前提下的有轨电车信号优先。在保证有轨电车通行优先权的同时,有效降低网联/非网联普通车辆的拥堵延误。针对问题的复杂性,提出了整合模型驱动与数据驱动方法的控制策略设计,将模型预测控制与深度强化学习各自优势相结合,构建了能够对实时交通变化有效反应的有轨电车多步决策信号优先控制算法。（4）有轨电车、公交汽车与网联/非网联普通车辆混合的区域路网协同控制问题研究。针对集中式控制维度过大的局限性,设计了基于多智能体深度强化学习的多模式交通联合交通信号控制模型。建立了以乘客数为指标的统一量化方式,对各类交通车辆的实时动态信息进行整合处理。以缓解区域路网交通拥堵,实现多模式交通联合性能最优为控制目标。将单智能体的“模型驱动”方法与多智能体的“数据驱动”方法进行融合,先以独立交叉口模型预测控制实现本地交叉口基础控制,再以多智能体强化学习方法实现了区域多交叉口之间的协同合作,最终建立区域路网的多模式交通联合控制算法。