在我们进入信息化发展时代的今天,人们的日常工作和活动已经逐渐离不开像智能手机这样的移动电子设备。这些电子设备有能力实时记录用户的地理位置信息,并反馈信息给软件提供商。这些海量的GPS信息中蕴含着大量有价值的信息,既可以在微观层面上研究单独个体的行为方式,也可以宏观地了解区域、社会状况,从轨迹数据中挖掘信息已经越来越受到各个领域的关注。在轨迹识别的研究当中,大多研究只针对了轨迹的宏观特征或微观特征进行预测,而没有将它们融合起来统一考虑。本文相比前人的研究,提出了同时利用轨迹的宏观、微观两个方面,将点级别、轨迹级别两个尺度的特征融合,通过获取到的交通模式语义特征,来预测用户的交通出行方式。本文提出了利用深度学习对GPS轨迹信息进行交通出行方式识别的方法,首先,提出了点级别和轨迹级别两种特征概念,针对不同级别,选取了多个人工特征,并给出了计算方法。其次,在真实的轨迹数据中,总存在着各种冗余错误数据,本文提出了从原始数据集中提取有用的轨迹数据的方法,并对其数据进行清洗和截断,提取出满足训练的高质量特征。然后,设计了栈式稀疏自编码器,实现了对点级别人工特征的降维处理,从其中提取点级别编码特征。最后,设计了深度学习模型从点级别编码特征中继续提取点级别深度特征,将它与轨迹级别人工特征进行特征融合,获取交通模式语义特征,并利用深度学习网络模型,进行交通出行方式的识别。本文最后利用实际数据对所设计的模型进行了大量实验,并做了多组对比实验,证明了本文提出的方法能够有效预测轨迹的交通出行方式,具有较好的识别度,能够满足各个领域对轨迹交通方式识别的需求。