随着经济的发展,城市现代化进程的加快,大中城市的交通拥堵问题已变得日益突出,成为一个极具挑战的世界性难题。入口匝道调节是城市快速路交通系统的最为有效的控制方式之一,通过调节从入口匝道进入快速路的交通流量,来保证快速路运行在最佳状态附近。实际中,快速路交通系统是具有强非线性和不确定性的复杂大系统,并受到各种外界扰动和干扰的影响。如何将先进的智能控制方法应用到快速路交通系统控制中成为学者们研究的一个热点方向。本文引入快速路交通流分布参数系统模型,提出了一系列快速路交通系统的智能学习控制方法,包括模糊控制方法和迭代学习控制方法,取得了一些研究成果。论文主要研究内容和创新点总结如下：1)论文针对目前绝大多数快速路交通控制研究中采用常微分数学模型进行控制器设计和分析,忽略了实际快速路交通系统的时空演化特征这一问题,引入并深入研究了由空间和时间构成的二维偏微分方程描述交通流系统内部特性的快速路交通系统分布参数模型。该模型描述的快速路交通系统的动态特性不仅与时间维度信息有关,而且还与空间维度相关,更加逼近实际快速路交通系统。2)根据快速路交通系统的控制实际要求,将交通系统的边界条件考虑在内,提出了基于快速路交通系统分布参数模型的PI边界控制方法；进一步考虑到PI控制器参数选取需要精确的过程模型和丰富的专家经验等不利因素,提出了模糊自整定PI边界控制方法。该方法利用模糊控制逻辑实现PI控制器参数的在线自动调整,具有较强的学习自适应能力,有效抑制外界扰动等不确定性因素的影响。仿真验证所提方法比基于常微分模型的模糊自整定PI控制方法密度跟踪效果更好。3)研究了关于分布参数系统迭代学习控制的理论方法,充分利用快速路交通系统重复性和周期性的特性,提出了基于快速路交通流分布参数模型的迭代学习控制方法。迭代学习控制律含有研究路段上每个位置的误差信息,不仅是时间的函数,还与空间位置有关。仿真研究表明,与基于宏观交通流模型的ILC方法相比较,所提出的方法考虑了快速路交通系统的时空特性,误差信息包含了位置和时间要素,提高了ILC系统的收敛速度和控制性能。