随着智能网联技术的快速发展,智能网联车辆可以与交叉口控制系统实现信息共享,为交通管制提供新的优化策略。但在未来几年内,智能网联车辆的普及率仍然较低,智能网联车辆与传统车辆混行的状态是必经阶段,并且很有可能长期处于这一阶段。研究混行条件下智能网联车辆行驶轨迹与交叉口协同控制,对于提高交叉口通行效率具有重大意义。本文基于元胞自动机模型、强化学习技术和-7)0)（69）4)9)2)算法对混行条件下编队行驶的智能网联车辆行驶轨迹与交叉口信号配时协同控制问题展开研究,主要研究工作如下:（1）混行条件下信号控制交叉口交通流模型构建。通过分析智能网联车辆和传统车辆混行条件下的车辆运行特性,引入安全间距概念对车辆更新规则进行改进,建立了两种不同运行模式下的车辆更新规则,构建了智能网联环境下的混合交通流元胞自动机模型并开发了仿真平台。（2）基于强化学习的车辆行驶轨迹与信号控制协同优化算法。算法包括两个步骤:第一步,对智能网联车辆进行编队处理,基于强化学习技术,将车队头车作为智能体,选取当前时刻该车辆在交叉口所处的位置、信号灯的状态和车辆速度三个参数来描述车辆的状态特征,采用加速、减速和匀速作为车辆在当前时刻的动作,使用车辆在交叉口的延误时间作为车辆控制策略的奖励依据,建立车辆行驶轨迹与交叉口交通状态之间的最佳映射关系,实现智能网联车辆行驶轨迹的优化;第二步,通过采集智能网联车队的行驶轨迹数据判断车队能否在同一绿灯时间内完整通过,对于不能完整通过的车队,采用延长绿灯时间策略对信号控制进行优化,同时向车队传达速度建议,从而进一步优化车队行驶轨迹,实现车队行驶轨迹和信号控制协同优化,提升交叉口的通行效率。（3）仿真与分析。利用仿真平台分析了智能网联车辆的行驶轨迹和速度变化,以及不同饱和度下智能网联车辆渗透率对交叉口通行效率的影响,从而验证本算法的有效性。研究结果表明,车均延误随着智能网联车辆渗透率的增加而减小,中饱和度（0.7）情况下效果最明显,低饱和度（0.3）情况下效果次之,高饱和度（0.9）情况下作用最不明显。