交通控制系统与诱导系统的协同可以实现两系统功能的互补,节约路网成本,促使交通系统的运行朝着有序高效的方向发展,而协同模式的选择和正确的控制与诱导策略的制定则是协同实施的关键。本文首先分析了交通控制与诱导协同的必要性,在阐述协同的理论基础之后就协同模式和协同算法展开论述,在总结已有研究成果的基础上,提出协同中需要解决的几个问题。其次介绍了多智能体技术及在交通领域中的应用,并构建了基于多智能体的交通控制与诱导协同框架,按照Agent的功能不同分为协同层、战略层、战术层三类Agent,阐述协同实施过程,并选用Q-学习作为Agent的学习方法,实现智能化的协同模式选择和交通控制和诱导战略层Agent的协调,并给出了基于Q-学习的交通控制与诱导协同过程,最后采用基于单智能体的Q-学习算法和基于元对策的多智能体Q-学习解决协同模式选择和战略层Agent之间的协调这两个问题,根据算法中的需要,设计了Agent的内部结构,并建立回报函数对Agent采取的动作进行奖惩,根据回报值的累积值确定出最优策略。针对本文的提出的方法,采用仿真软件VISSIM建立了仿真路网,用C语言编写了算法程序,设计了对比实验,通过对结果的分析得出结论,证明Q-学习可以应用在协同模式选择中,也可以应用在战略层Agent的协调中,并给出不同时段模式选择的参考值。本文的研究成果为城市交通控制与交通流诱导系统协同的最终实现提供理论指导和方法依据。