随着北京、上海为代表的国内大城市轨道交通的进一步发展,城市轨道交通网络化运营进一步扩大,换乘越来越方便的同时导致相同的起讫点间存在多条路径可以选择,使得乘客的出行选择更加复杂。在“一票换乘”情况下,准确有效地匹配乘客出行路径是票务清分及客运管理工作的基础,在此背景下进行城市轨道交通网络乘客路径匹配,得到城市轨道交通网络中的客流分布情况,对于城市轨道交通网络规划与运营管理具有重要意义。目前国内外各大城市的城市轨道交通大多采用自动售检票系统(Automatic Fare Collection,后文简称为AFC系统)来实现乘客的自助进出站过程,AFC系统在乘客的刷卡过程中便相应的记录下乘客出行相关的时间地点数据,因此我们可以通过分析这些数据所蕴含的内在出行信息匹配乘客的出行路径。本文首先研究了城市轨道交通乘客出行规律,在此基础上,分析城市轨道交通网络路径,将乘客出行路径旅行时间分为乘车固定时间和走行候车随机时间两部分,提出路径旅行时间密度函数估计方法,然后分别基于密度峰值聚类和模糊匹配方法及基于旅行时间分布方法进行城市轨道交通乘客出行路径匹配,并在实例分析中对两种方法的结果进行比较,得出了基于密度峰值聚类和模糊匹配方法更适合于城市轨道交通乘客出行路径匹配的结论。随着城市轨道交通网络的不断扩张,客流车流的不断增加,设施设备使用年限的不断增长,城市轨道交通网络中的突发事件越来越多,突发事件会导致列车运行图的调整,进而影响城市轨道交通的安全运营。由于突发事件随机性较强以及乘客行为难以预测,使得识别客流异常事件并对事件的影响范围和程度做出有效评判成为城市轨道交通突发事件研究中的一个难点问题,而该问题对城市轨道交通的安全高效运营具有重要的意义。AFC数据中同样隐藏着突发事件下乘客的出行信息,本文基于贝叶斯预测方法对城市轨道交通车站进站量异常进行识别,并建立了突发事件对客流的影响模型,从受影响范围和受影响程度两个方面分析了突发事件对城市轨道交通网络的影响,为研究此类问题提供了一个研究视角。最后以北京市轨道交通网络为实例,基于真实的AFC刷卡数据,对前面所提出的模型与方法有效性进行了实例验证。