随着我国城市轨道交通网络化进程的快速推进,轨道交通已逐渐发展成为了乘客出行的首选交通方式。然而,由于高峰期间的大客流会导致路网客流拥挤,这不仅会造成路网乘客服务水平降低,还会为地铁客流组织水平的提升带来一定的困扰。为了制定更具有针对性的客运组织措施以提高车站的客运组织水平,本文以早高峰期间城市轨道交通路网关键车站识别为研究目标,基于历史客流数据对未来路网和车站状态进行精准预测,并进一步评估拥挤时段和识别拥挤关键车站,最后选取北京轨道交通路网进行了实例分析。论文主要的工作内容如下:（1）对城市轨道交通路网关键车站识别相关理论进行了概述。首先在路网客流拥挤分析的基础上归纳总结了轨道交通路网关键车站概念;其次依据车站内拥挤客流性质进行了关键车站分类阐述;再次分析了关键车站的成因以及总结了关键车站静态和动态的特性;最后阐述了基于关键车站识别结果的实际应用。这为后续的研究奠定了理论基础。（2）提出了城市轨道交通路网和车站客流状态预测方法。首先建立了路网和车站状态评价指标;其次根据AFC和路网拓扑结构数据,提出了考虑时空特征的融合图卷积神经网络和门控循环单元模型（TGCN）来预测区间满载率和车站客流量;进而计算得到路网和车站预测状态的评价指标,为关键车站识别提供数据支撑。（3）提出了城市轨道交通路网关键车站识别方法。关键车站识别具体包括路网和车站历史状态分级、路网和车站预测状态评估以及关键车站关联度分析。首先,基于DBSCAN改进的高斯混合模型来分级聚类路网和车站历史客流状态,实现最佳分级数目的自动识别和分级效果评价;其次,利用K最近邻分类（KNN）算法识别确定未来路网和车站的状态等级,根据路网状态等级判别拥挤时段,并进一步在拥挤时段中识别关键车站;最后基于车站间OD量来分析关键车站关联度从而形成了关键车站区域。（4）以北京市轨道交通路网作为实例,验证了本文提出的关键车站识别方法与理论。结果表明:1)本文提出的综合时空特征的TGCN模型能够精准的预测轨道交通路网和车站状态,预测性能比基线模型有一定的提升;2)本文提出的基于DBSCAN改进的高斯混合模型聚类分级方法,并构建了路网关键车站的时空关联度的分析和计算,解决了海量数据的挖掘和点线网状态的内在关系挖掘等难题。通过本文所提出的方法能够前瞻性识别早高峰拥挤时段的路网关键车站,可为运营者制定多个关键车站协同的客运组织措施提供理论和技术支持。图46幅,表12个,参考文献63篇。