随着经济建设的进步、城市的发展及人口密度的增大,地铁已经成为城市人口最重要的交通方式之一。然而,随着客流量的急剧增大与城市空气污染问题的逐步凸显,地铁站中各类污染物,特别是颗粒污染物,引起的空气质量与人群健康问题值得受到广泛地关注与研究。国内现有相关研究大多数仅从颗粒物平均浓度的角度对地铁站内的空气污染与颗粒物暴露等问题进行分析,而未将乘客这一地铁站的真正使用主体的时空行为考虑在内。因此,本文的研究目的是将地铁站内乘客的时空行为与地铁站颗粒物PM2.5的空间浓度分布情况相结合,更为准确地分析颗粒物对乘客的影响,完善乘客的颗粒物暴露评估过程。本文首先结合现有的地铁站分类方法,提出了适应于进行暴露评估过程的地铁站分类方法,对武汉市现有地铁站进行分类研究以确定本文的研究对象。其次,基于Mass Motion软件对乘客在地铁站中上车与下车过程的暴露流线、空间聚集位置及在站内的停留时间进行了模拟分析并通过实测验证。之后,Fluent软件被用于模拟地铁站两种主要气流组织状态下的PM2.5浓度分布,同时利用机器学习方法,建立了代理模型以反映颗粒物实测浓度分布与两种状态下的模拟浓度分布的非线性关系,以实现对地铁站内PM2.5浓度分布的预测,进而以积分方法对乘客的颗粒物暴露量进行准确计算,暴露量的计算结果与实测数据吻合良好。积分方法计算的乘客暴露量处于屏蔽门开启与关闭两种状态气流组织状态下的利用平均浓度法计算得到的暴露量之间。基于此结论,以降低乘客在站厅层的暴露量为目的,本文选取对地铁站颗粒物浓度分布有显著影响的通风策略、出入口通道长度比和空间高度三个地铁站设计因素作为优化参数,基于田口法与模糊田口法开展了多因素多目标优化分析。本文的研究方法将有助于完善地铁站内乘客的颗粒物暴露评估的量化分析过程,提高以降低乘客污染暴露为导向的地铁站优化设计过程的效率,为健康的城市轨道交通建设和地铁系统的可持续运行研究提供参考。