地铁具有运量大、时效性高以及低污染等特性,许多大中城市都已开通地铁线路或将地铁建设规划提上日程。地铁的运营一定程度上缓解了密集人口城市的交通出行压力,加快城市通勤效率,在城市公共交通中占有重要地位。为了提升地铁运行的服务水平,保障地铁安全稳定运行,地铁客流的预测研究是其中的一个重要课题。OD（Origin-Destination）客流是乘客出行动态分布的一个最直观的展现,一个精确的OD客流预测模型对地铁运营具有重要指导意义。相较于浅层模型,深度学习模型具有更好的特征抽象能力及性能表现。本文基于对地铁客流数据的时空挖掘,针对地铁OD客流特性构建了三种不同类型的深度学习模型,分别是深度前馈网络（DFN）模型、栈式自编码器（SAE）模型和长短期记忆（LSTM）网络模型,并以DFN模型作为基础模型,实验对比分析不同深度学习模型的性能表现。本文的主要研究工作如下:（1）基于Spark平台对地铁客流刷卡原始数据进行快速处理,将数据中的冗余字段剔除,并通过对数据样本的分析,对错误异常数据进行清洗操作,同时对节假日信息字段等进行数据融合。对地铁客流数据进行了时空特性分析挖掘,掌握客流演变规律,为深度学习预测模型的建立提供指导方向。（2）首先构建了深度前馈网络（DFN）预测模型,考虑到DFN在层数加深带来性能提升的同时而遇到的难以优化及局部最优的问题,构建了基于栈式自编码器（SAE）的预测模型,对深层网络进行逐层的预训练进行特征提取,并针对具体预测任务进行参数微调。针对地铁OD客流数据的时序特性,而循环神经网络（RNN）对时序性信息具有良好的学习表现,为了解决基础循环神经网络中的长期依赖问题,构建了长短期记忆（LSTM）预测模型。（3）分别对关键OD以及全网OD的短时客流进行预测实验,实验结果表明增加节假日信息等作为特征可有效提升预测精度,并且不同的时间步长对预测精度也有影响。不同深度模型间,LSTM预测性能表现最佳,但模型训练寻优时间长;SAE性能表现次之,其优势是模型复杂度低,训练速度快。通过实验对比,对应单个OD对,全网OD的预测精度低于关键OD的预测精度,但其只需要训练一个模型,并且预测效果也能满足地铁运营需求。