随着城市范围的扩大和人口数量的增加，建设城市轨道交通成为了解决交通拥堵的重要方式，其安全性、准点性和实时性也越来越受到重视。城市轨道交通运行能耗是列车运营成本的重要组成，而牵引能耗是城市轨道交通运行能耗的主要组成部分。合理的列车自动控制（Automatic Train Operation，ATO）策略能够在保证列车安全、准点运行的情况下，根据列车不同的运行状况，输出最优的牵引/制动级位，在一定程度上节省牵引能耗。为有效降低列车牵引能耗，采用深度强化学习中的深度确定性策略梯度算法（Deep Deterministic Policy Gradient，DDPG）研究城市轨道交通列车节能控制策略。首先根据动力学方程建立列车运行模型，然后以列车的位置、速度和剩余运行时间作为状态空间，以牵引/制动级位作为动作空间，根据ATO系统功能，以安全性、准点性、停车精度和节能性加权组合为奖励函数，实现列车在与仿真环境交互中学习到最优控制策略。最后以长沙地铁二号线为例进行仿真验证，结果表明该算法相比于DQN算法和动态规划算法，在满足安全、准点运行的情况下牵引能耗减少8.25%和21.7%，证明该算法的优越性，同时在临时调整列车进站时间和列车牵引系统故障后，算法也能够根据列车反馈的运行状态实时调整控制策略，证明该算法的有效性。