随着社会的发展,在经济、社会科学、交通等领域出现了一些新的问题,这些问题往往具有高度的非线性、不确定性等特征,非参数回归方法刚好可以较好的描述问题的非线性特征,因此受到研究者的关注.贝叶斯网络作为目前不确定知识表示和推理领域中最有效的理论模型之一,近些年常被用于数据挖掘、故障分析等领域.本文研究了非参数回归和贝叶斯网络的相关理论,针对其在应用上的局限性做出了相应的改进,并分别将其应用于对轨道交通短时客流的预测和大客流发生原因的诊断.主要内容如下:1.探讨了非参数回归的概念和原理,介绍了四类非参数回归方法,选取其中的非参数局部回归作为重点研究对象,并分别对非参数局部回归的四种方法进行了详细的介绍和对比.随后,选取K近邻非参数回归作为研究目标,详细分析了K近邻回归的组成部分和影响因素,并针对其无反馈的问题,提出了基于误差反馈的非参数回归方法.2.介绍了贝叶斯网络相关基础理论知识及其表示和构成,针对贝叶斯网络节点事件的先验概率或条件概率不确定,以及使用专家知识会导致主观性误差这两个问题,引入模糊集理论量化节点的概率,在确定节点概率的同时,尽可能的降低主观性误差.最后,给出了基于模糊集理论的贝叶斯网络的一般应用步骤.3.将非参数回归方法应用到轨道交通客流预测领域.详细的分析了轨道交通的客流统计特征,在此基础上为了保证匹配到的数据具有实际意义,构建了分类样本数据库,以上海地铁1号线2015年4月1日至4月30日的进出站客流数据为例,使用非参数回归方法进行短时客流预测,并与其他预测方法进行对比.4.分析轨道交通大客流产生的原因,以上海地铁1号线2014年至2016年近3年里大客流发生的相关数据为例,构建轨道交通大客流发生原因的贝叶斯网络.利用模糊集理论量化贝叶斯网络部分节点事件的条件概率,运用构建的贝叶斯网络推断大客流发生的概率,并在大客流发生后,诊断引发大客流的主要原因.