经济的飞速发展和城市化进程的加快加剧了城市道路交通的拥堵。并且带来车辆延误增加、交通事故频发和环境恶化等一系列的问题。智能交通控制系统是解决这一问题的重要途径。针对城市交通控制系统具随机性、很强的非线性等问题而难以建立精确数学模型这一缺点,本文利用了模糊逻辑、遗传算法和神经网络等智能理论,对单交叉口展开研究,确保车流可以最小延误地顺畅通行,以缓解城市交通拥堵产生的危害。一般的信号优化方案都是针对正常情况下,而对于车道发生交通事故或车道维修的状况并没有考虑,本文设计了一种可以同时适用于正常和非正常情况下的信号控制方案。首先,从控制论的角度出发应用模糊控制方法对城市单交叉路口信号灯的控制建立模糊控制模型,在此基础上,应用模糊控制理论和交警指挥交通的经验,设计了一种基于车辆延误的单路口交通信号灯控制策略。该策略把车辆延误作为控制目标,综合考虑相邻相位的车辆平均延误及当前的车道情况,以此来决定各相位的绿时分配。其次,针对经典模糊控制器的缺陷,设计了基于遗传算法的模糊控制器优化。利用遗传算法寻优模糊控制规则的调整量而非控制规则本身,避免了不合理规则的产生,提高了收敛速度。再次,针对神经-模糊控制方法,本文介绍了自适应神经模糊推理系统的结构原理和推理方法,并利用神经网络的自学习功能,将模糊推理系统(FIS)中的模糊逻辑规则及隶属度函数参数通过神经网络的自学习来整定,自动产生模糊规则并调整隶属度函数,解决了模糊控制系统中模糊推理规则主要根据交警经验设计、缺乏自学习能力、控制精度不高等问题。最后,利用Matlab和Simulink工具分别对三种控制方法的结果进行建模和仿真。仿真结果表明,这三种控制策略对于正常和非正常情况下都能有效减少车辆延误,效果比较好,且经过优化后的控制效果明显优于传统的模糊控制。总之,本文在结合模糊逻辑、遗传算法和神经网络等人工智能理论的基础上,深入研究了城市交通信号控制策略,有力地减小了车辆平均延误。