因为我国经济的高速发展、人民收入水平随之的不断提高、全球城市化进程的不断加速,导致城市路网中车辆数量在一个较大的基数上持续增加。除此之外,在高品质生活下的日常活动中,很多方面也增加了城市路网中的车辆数量。城市路网中车辆数量的增加导致交通拥堵、交通疏通不及时、路口交通事故等现象逐渐严重化和普遍化,这些现象已经开始由大中型城市向中小型城市蔓延,同时也成为困扰世界各城市的主要社会问题,制约着经济和社会的发展,日益引起各国政府的高度重视。解决城市交通问题,首先解决交通拥堵问题,而交通信号配时是解决交通拥堵问题的重要手段。鉴于交通信号配时在城市交通系统中的关键作用,发展更加有效的城市交通信号配时策略才是解决城市交通拥堵问题的根本出路。在交通配时技术上,基于传统Q-Learning的交通信号配时策略是解决交通配时问题的重要手段,但它存在繁琐的Q值表建立和搜索、目标Q值容易被高估、无法长期记忆经验等问题,导致疏通环境交通拥堵的效果有限。然而,深度强化学习本身具有的深度网络以及引入的经验池、贪婪策略、DOUBLE DQN等方法技术,可以很好的解决传统Q-Learning在交通信号配时上存在的上诉问题。为此,我们在基于传统Q-Learning的交通信号配时策略上,提出采用深度强化学习(DQN)策略来优化交叉口信号配时技术。以减少交通系统中滞留于路网中的车辆数量和所有通过交叉口的车辆的所用的平均行驶时间。实验结果表明,基于深度强化学习(DQN)的交通信号配时策略对于疏通交叉路口车辆方面优于传统Q-Learning策略,可以更好的疏通环境交通拥堵,提高交通系统的通行效率。