随着现代交通网络的不断发展,道路结构的持续完善,一段旅程可以选择的路径越来越多,而路径选择的结果势必会对道路交通态势产生或多或少的影响,因此研究路径选择行为,成为交通领域必不可少的环节。一般情况下,路径选择行为同时受多种条件约束,相应的,不同的路径选择行为的结果也能反映影响决策的各种因素。研究路径选择行为不仅能帮助交通管理者提高道路利用率,也能辅助驾驶员做出更明智的出行决策。城市车辆出行轨迹中蕴含着多种交通参数信息,通过对轨迹信息进行解构,可以深度刻画和系统还原城市交通出行场景,为城市道路网络的发展和规划提供数据驱动的决策支持。而车牌自动识别（Automatic Number Plate Recognition,ANPR）数据作为交通采集数据的主要来源之一,具有显著的数据特点和潜在价值,但由于ANPR数据的固有缺陷,使其在精确提取轨迹时面临巨大的困难。本文围绕路径选择行为的影响因素和ANPR的数据特点,针对传统路径选择行为研究的样本量小、分析过程可视化程度低以及ANPR数据颗粒度大等问题,以客观分析城市车辆路径选择行为和利用ANPR数据获取大体量、高还原度的车辆出行轨迹数据为目标,开展了基于车牌识别数据的城市车辆出行轨迹提取和路径选择行为研究。首先对原始数据进行清洗,确定研究区域,建立结构化路网,处理行程时间和行驶速度异常值,设计算法完成出行链的分离;其次,利用K则最短路（The K-Shortest Path,KSP）算法构建还原解集,设计时距相符程度、信号灯数量、当前道路拥堵程度、出行惯性,4个出行特征决策模型,提出基于熵权的逼近理想解-灰色关联度排序（Entropy Weight-Technique for Order Preference by Similarity to Ideal Solution and Gray Relational Analysis,EW-GRA+TOPSIS）算法来对决策模型进行最优化,实现出行轨迹的重构和补全。最后,提出了基于匹配度的衡量准则,选取了绵阳市某区域的ANPR数据进行实验验证,匹配度表现在最差情况下能达到70.15%,加入TOPSIS和GRA方法进行对比实验,验证了本文所提出的模型算法的稳定性和优秀表现,并对各补全策略进行了可视化和出行特征分析,发现出行者的出行决策倾向会随着高峰和平峰有明显变化,为后续研究的模型分析和改进提供了新的思路。