城市交通控制问题作为一个复杂的大系统，使得依赖于精确数学模型的传统控制方法无法满足日益增长的社会需求，迫使人们将智能控制的相关理念运用到交通控制当中；另一方面，从目前国内交通控制领域发展现状来看，由于缺乏统一的数据交换标准，形成了国外企业在该领域内的垄断地位，因此迫切需要制定中国自己的智能交通标准，打破垄断，扶持民族智能交通相关产业的发展。 本文针对上述两个方面展开相关研究，主要工作涉及以下几个方面： 1 以北京市中关村西区的两条单向交通干线为研究背景，根据大系统分解协调思想，提出一种干线递阶模糊协调控制方案，可随着交通情况的变化，在决策切换开关作用下，实时地进行绿波协调控制和分散协调控制，并针对绿波协调时的关键参数相位差，引入了反馈修正环节，使其能够实时自主调整与优化，仿真研究表明可显著地提高了干线通行能力，缓解了整个路网的交通压力。 2 以强化学习技术为基础，借助Agent理念，提出一种采用模糊神经网络与强化学习相结合的模块化网络结构Agent模型，它具有较强的模糊推理能力、非线性逼近能力、泛化能力以及强大的无模型学习能力，实现了从连续状态到连续动作空间控制策略的学习，实现了人类专家知识与强化学习方法的结合，降低了学习问题复杂度。同时根据分而治之方法学思想，将复杂的交通控制问题分解到局部专家单元上，再由集成单元对局部专家单元输出进行协调，提高了学习效率。 3 在单交叉路口Agent研究基础上，利用大系统分解协调思想，提出了基于Agerlt的交通干线协调控制结构模型，分别构造了路口Agent和协调Agent结构模型，对两者的结构、信息交换、协调机制进行了详细剖析。 4 在对XML技术的特点、数据交换优势及其在交通领域中的应用进行了深入调研、分析之后，基于对城市交通信号控制系统数据交换需求全面分析，尝试性地提出了交通信号控制标记语言SignalML以及它的结构框架与设计原则。 5 基于开放性协议NTCIP的西门子2070ATC信号机和自主开发的嵌入式通信板为硬件实验平台，开发了2070ATC远程监控系统。在此基础上，一方面对基于SignalML的交通干线协调控制实现，进行了研究与分析，论证了SignalML标准的可行性；另一方面，在开发的控制策略模块下以模糊控制为例，对其在点控、线控中的应用进行了概述。 本文最后对研究工作进行了总结，指出了今后需进一步深入研究的问题。