随着我国城市化建设的不断深入,大量人员和车辆涌入城市,城市交通变得异常拥堵。日益上升的拥堵情况给城市的经济发展和居民生活带来了严重的负面影响,同时也制约着我国城市化建设进程的发展。造成交通拥堵的因素有很多,如交通信号控制问题、交通路线诱导问题、汽车数量增长问题、交通基础设施不完善的问题等。本文针对交通信号控制问题,运用聚类算法结合深度强化学习实现自适应式的控制交通信号的决策,并重点解决在高饱和路网中潜在的拥堵问题。首先,因为交通路网中的交叉口之间存在关联性,所以为了避免因个别重要交叉口疏通不利而导致的拥挤情况扩散至整个路网的问题,本研究将全局的路网作为卷积神经网络的感受范围,并针对实际交通路网存在的路网规模大、结构不规则的问题,运用聚类算法将路网进行聚类处理,并建立多个互相关联的感受野。同时,考虑到深度学习在图像感知上的优秀表现,本研究通过卷积神经网络感知道路拓扑结构的空间特征,将规范化后的感受野作为输入,以便更好的感知路网状态。本研究将交叉口作为执行深度强化学习策略的智能体,运用深度强化学习模型预测各交叉口应采取的动作,交叉口通过不断地与路网环境进行交互试错,逐渐在交通数据中学习到有利于全局路网信号决策的知识,建立深度强化学习的机制,累积学习经验,最后达到提高路网内车辆通行能力、缓解交通拥堵的目的。本研究通过SUMO平台对城市交通路网进行模拟试验,在车辆平均等待时间和路网中车辆总数两个策略评价指标下,将提出的策略与基于强化学习的控制单交叉口策略和基于强化学习的控制协同交叉口策略进行对比。实验结果表明,改进的基于深度强化学习的协同多感受野的交通配时方法在高饱和的路网中均优于上述两种方法,并能够更好的缓解交通拥堵情况。