出租车为城市居民们提供了快捷便利且定制化的交通运输服务,是城市公共交通系统的重要参与者。然而出租车沿街招揽乘客的经营模式容易导致“人等车、车找人”的双重窘境,造成交通资源浪费。通过一定科学手段引导出租车司机规划巡游路线,有助于改善这种随机巡游的运营状态并提高城市交通效率,因此出租车巡游路线推荐成为了交通领域的研究焦点之一。在可预见的将来,出租车巡游路线推荐技术还能够用于解决无人车行驶路线规划问题,应用前景广阔。目前相关研究通常采用概率统计与复杂网络分析相结合的方法,从出租车轨迹数据中统计巡游路线的载客概率、载客收益等数值,并通过这些统计值估计巡游路线质量,进而推荐巡游路线。然而这类方法只是将地理坐标与载客因素进行了直接关联,忽略了载客的根本原因,即城市功能区变量与载客事件之间的关联。这使得随着城市不断建设发展,必须不断重新统计数据以适应新的城市环境,造成系统复用性低、更新负载大、升级周期长等一系列问题。针对先前研究方法的不足,本文提出一种能够根据出租车时空状态进行巡游路线推荐的新型智能算法。该算法基于出租车GPS轨迹信息,结合了一般应用场景中的推荐技术与多种深度学习技术,使出租车司机沿推荐路线巡游时,能够获取更多运营利润。本文的主要工作及贡献如下:（1）通过对一般应用场景中的推荐问题与出租车巡游路线推荐问题进行类比分析,探究了将一般应用场景下的推荐技术推广至出租车巡游路线推荐场景下的可行性,提出了基于深度矩阵分解技术的出租车巡游路线推荐框架。（2）基于所设计的推荐框架,结合神经网络、注意力机制等多种深度学习技术,设计“时间-地点-巡游路线矩阵”各维度的原始特征构建方法及嵌入提取方法,实现了具体的出租车巡游路线推荐算法,从而挖掘城市功能区变量与载客事件间的潜在关联。（3）根据一般推荐系统的实验验证方法,设计并执行了出租车巡游路线推荐系统的理论实验验证方法,利用上海市和旧金山湾区两个地区的地图和出租车轨迹数据,对比多种推荐方法,衡量并验证了所提出的算法具有良好的检索推荐性能。（4）构建出租车仿真运营系统,设计并执行了出租车巡游路线推荐系统的仿真实验验证方法,利用上海市和旧金山湾区两个地区的地图和出租车轨迹数据,对比多种推荐方法,衡量并验证了所提出的算法能够引导出租车获取更多收入。此外,还实现了出租车轨迹数据的可视化接口,以便研究者更直观地观测和分析出租车运营情况。