Este estudio presenta un marco de control de prioridad de señal de tránsito adaptativo basado en aprendizaje profundo de refuerzo (DRL) multiobjetivo diseñado para mejorar la seguridad y eficiencia en entornos de tráfico de autonomía mixta. El marco utiliza datos en tiempo real de vehículos conectados y automatizados (CAVs) para definir estados, acciones y recompensas, con conflictos de tráfico sirviendo como recompensa de seguridad y tiempos de espera de vehículos como recompensa de eficiencia. Se incorporan estrategias de prioridad de señal de tránsito, asignando pesos basados en el tipo de vehículo y la capacidad de pasajeros para equilibrar estos objetivos competitivos. La modelización de simulación, basada en una intersección del mundo real en Changsha, China, evaluó el rendimiento del marco en múltiples tasas de penetración de CAV y configuraciones de ponderación. Los resultados revelaron que una relación de peso de 5:5 para seguridad y eficiencia logró el mejor equilibrio, minimizando retrasos y conflictos para todos los tipos de vehículos. Con una tasa de penetración de CAV del 100%, los retrasos y conflictos estaban más equilibrados, con autobuses mostrando un tiempo de espera promedio de 4,93 s y 0,4 conflictos por vehículo, y CAVs logrando 1,97 s y 0,49 conflictos por vehículo, respectivamente. En condiciones de tráfico mixto, el marco tuvo un mejor rendimiento con una tasa de penetración de CAV del 75%, donde autobuses, autos y CAVs exhibieron eficiencia y seguridad óptimas. El análisis comparativo con el control de señal de tiempo fijo y otros métodos basados en DRL resalta la adaptabilidad y robustez del marco, respaldando su aplicación en la gestión del tráfico mixto y permitiendo sistemas de transporte inteligentes para las futuras ciudades inteligentes.