针对智能交通系统存在的卷积神经网络特征提取能力弱和特征表达能力有待提升等问题，在深度双Q网络(double deep Q network, Double DQN)模型基础上提出一种基于卷积注意力模块(convolutional block attention module, CBAM)的深度强化学习模型，用于智能交通信号控制。在三维卷积神经网络中加入CBAM轻量注意力模块，通过通道注意力和空间注意力两个模块结构更好地捕捉特征之间的相互依赖关系，增强卷积神经网络的特征表示质量，从而提升对拥堵路段重点特征的关注度以缓解交通拥堵问题。在城市交通仿真器SUMO(simulation of urban mobility)上的实验结果表明，相较其他常用算法，本文算法提高了交通灯配时的效率和稳定性，可为交通配时优化技术提供可靠依据。