随着城市化进程的快速发展，机动车的数量伴随着人民生活水平的不断提高而逐渐增多。机动车数量的增长在给人民生活水平带来便利的同时也产生了一些交通问题。居民出行调查是交通调查的重要组成部分。传统的居民出行调查大多采用人工调查的方式，得到的出行信息存在许多问题，被访者的负担较重、拒访率高，需要消耗大量的时间和人力。为了克服上述采集方式的缺点，基于智能手机进行出行信息的采集应运而生，它为居民出行方式研究提供了新的技术手段。　　论文主要内容包括几个部分:　　(1)开展以智能手机和网络调查技术为基础的出行调查。　　(2)特征向量的选取。论文选择了出行距离、出行时间、平均速度、加速度、95th分位点速度、95th分位点加速度这六种特征向量进行出行方式的识别。　　(3)基于GPS数据的出行方式识别方法提出。论文使用两阶段方法对出行方式进行识别。首先通过模糊算法识别出地铁与步行的出行方式，然后将剩下的四类出行方式分别分类为机动车类以及非机动车类，得到识别精度89.5％;然后，在模糊识别算法的基础上，使用支持向量机分类算法对自行车、电动车以及小汽车、公交车两类易混淆的出行方式进行识别，得到识别精度分别91.9％。其中电动车与公交车的识别率最低。　　论文的创新点主要体现在以下几个方面:　　(1)提出了基于智能手机的居民出行调查研究方法。在以往的出行调查中，志愿者的负担重且定位数据精度不高，为解决这两个问题，论文在前人研究的基础上提出了基于智能手机的居民出行调查研究。并对调查员参与志愿者出行特征验证的方法进行了讨论。　　(2)提出了使用GPS数据进行出行方式识别的两阶段法。首次在第一阶段提出将步行、自行车、电动车、小汽车、公交车与地铁这六种出行方式使用模糊算法识别为地铁、步行、机动车以及非机动车的出行方式，然后在第二阶段通过支持向量机重点分类非机动车以及机动车出行。使用两阶段分类方法，充分考虑了地铁、步行出行与其他出行方式的显著特征差异，在出行方式的识别方面提出了新的思路。　　(3)本文将基于规则的方法即模糊识别方法与机器学习方法支持向量机算法结合使用，采用R语言进行编程，识别自行车与电动车、小汽车与公交车两组精度较低的出行方式组合。