随着我国城市化的发展和私人汽车的普及，城市交通的拥堵问题变得日益突出。如何通过确实、有效、可行的办法解决这一问题受到人们的广泛关注。交叉路口作为交通路网的基本元素之一，它的信号控制效果决定了整个交通网络的性能。传统的交叉路口信号控制方法已经相当成熟，但这种控制方法已经无法适应当前城市交通的动态变化特性。智能控制的方法研究取得了一定成果，但在我国的实际应用比较少，并且有待改进。本文分析现有单交叉口的信号控制方法，针对当前城市交通动态变化的特性，指出了传统控制方式的不足和缺陷，并提出了一种基于神经网络的智能控制方法。这种智能控制方法同时考虑到达路口的车辆数目和相邻交叉路口在上个相位时间里流入的交通流量，并以此为依据共同决定绿灯的延长时间。改进了传统的BP算法，使用了粒子群算法优化了神经网络权值，形成BP-PSO优化算法作为神经网络的学习算法。在以上智能方法的基础上，采用逐步优化的方法来获得更好的控制效果。考虑模糊控制特别适用于被控对象难于建立精确模型的情况和神经网络具有学习能力、自适应性好的特点，结合两者的优点设计了绿时延长控制器，形成了固定相序的模糊神经控制方案。为了进一步提高信号控制效果，探讨了变换相序的控制思想，利用模糊控制和神经网络的知识，设计了相位选择控制器。结合固定相序控制方案中的绿时延长控制器形成了变换相序的模糊神经控制方案。为了对提出的三种智能控制方案的有效性和实用性进行验证，采用VISSIM的仿真平台进行算法的模拟仿真。通过VISSIM仿真平台建立了单交叉路口的路网模型，来验证提出的智能算法的控制效果。通过VISSIM仿真平台提供的COM接口，设计了基于C++的智能控制算法，通过实时仿真得到控制算法的控制效果的动画显示和统计数据。仿真结果表明，三个智能算法都取得了良好的控制效果，并且固定相序的控制方案优于基于神经网络的智能控制方法，变换相序的控制方案优于固定相序控制方案。