精准掌握城市居民出行方式结构信息、出行方式选择偏好等是进行城市规划、交通规划以及交通管理与控制的基础。随着卫星导航系统的广泛应用,通过定位数据采集方式得到的个体出行链逐渐成为研究居民活动的重要基础。本文以个体出行轨迹数据为基础,针对居民出行信息中的出行方式,从轨迹数据的路网匹配、出行方式转换点识别和出行方式识别三个方面展开研究,取得以下成果:（1）基于最短路径与路径选择偏好的路网匹配算法。首先,构建所研究区域的分等级道路网络。然后利用隐马尔可夫算法,结合道路网拓扑信息与出行者选择偏好,将备选集中概率最大的路段作为出行的实际选择路段。同时将所提算法与两个基准算法进行比较。结果显示,本文所提方法在三种方法中匹配正确率最高,特别是在采样间隔较大的情况下。（2）基于机器学习方法构建出行方式转换点识别模型。首先,融合路网匹配后的GIS信息与轨迹数据中的时空信息,提取出39个特征参数。然后,采用了基于滑动窗口的方法,将轨迹点状态标定为转换点与非转换点,并分别使用支持向量机、Ada Boost、XGBoost和Random Forest四种机器学习方法构建转换点识别模型。研究结果显示,在窗口大小为61个轨迹点时取得最优效果,其中Random Forest和XGBoost在测试集上的准确率分别达到98.44%与97.91%。最后,对所提出的39个特征参数在Random Forest和XGBoost上进行特征重要度分析,结果表明速度类特征贡献度最高。（3）构建深度学习算法,识别步行、自行车、小汽车、公共交通和地铁五种交通方式。首先,融合轨迹数据与GIS信息,提取出包含时间、距离和角度三个字段的浅特征,并整理为适合输入卷积网络的张量形式。然后,提出了包含残差层和基于注意力机制Transformer层的深度学习算法RN-Trans,用于识别出行方式,并与三种处理序列数据的主流深度学习方法CNN、LSTM和CNN+LSTM进行比较。同时,也将路网匹配前后轨迹数据输入模型中,研究路网匹配对出行方式识别的影响。研究结果表明,四种方法中RN-Trans具有最高的分类准确率及最快的收敛速度,路网匹配技术能够显著提升出行方式识别准确率,特别是对小汽车和公共交通这两种交通方式。