在车辆导航系统中,显示在电子地图上的车辆移动轨迹反映了通过GPS测量设备实时定位的结果。然而,由于设备误差,信号强度,地理环境,天气等因素的影响,采集到的GPS数据不可避免的包含大量不确定信息,从而导致显示在地图上的轨迹可能与真实的车辆轨迹不一致。因此,在进一步处理地理信息之前,检测这些误差是很有必要的。地图匹配就是一种利用软件方法来识别和纠正GPS采样点映射到对应空间路网上位置的过程。在过去20年里,地图匹配算法被深入研究,但是仍有提高空间。首先,以往的算法并未充分利用已有信息,例如车辆方向,地图拓扑信息,历史GPS轨迹;其次,以往算法适应性较差,有时来自地图的小偏差有可能会对匹配结果产生很大的影响,例如矢量电子地图的坐标偏移;最后,一些算法的匹配过程很复杂,不太适合实时处理。在本研究中,探索了一种基于多分类算法进行地图匹配的方法。其背后的原理是:当拥有足够多的已经标记好的历史GPS数据时,地图匹配可以转化为模式识别问题,通过采用有监督学习方法,根据同一条道路上历史GPS数据的特征为路网中的所有道路建立模型,进而通过多分类算法对给定的GPS数据进行所属道路的匹配。训练数据是模型建立的关键部分,其中数据的预处理难度较大,本论文提出三种方法来获取训练数据,第一种是车辆历史采样数据,利用车辆位置、时间、角度等信息分析得到位置点所在的道路标签;第二种是提取原始路网数据中路段关键点的带标签点集合,并为路段中的关键点添加方向角属性,得到满足训练要求的点记录;第三种是利用原始路网数据中路段关键点坐标模拟实际的点分布,容易得到大量带标签的坐标点。考虑到数量众多的路段(标签)和点坐标数据(训练集),对数据集进行网格划分,便于并行处理,能够提高处理速度。支持向量机(Support Vector Machine,SVM)在处理各类分类问题中得到广泛应用,理论基础也十分完善,尤其在处理小样本分类问题时有较好的表现,在本研究中分类器采用了支持向量机。极限学习机(Extreme Learning Machine,ELM)是一个比较新颖的算法,能够快速直接地解决分类问题,为了快速地找到ELM算法的最佳参数,本文设计了寻找ELM最优参数选择算法。实验结果表明,本论文提出的基于多分类算法的地图匹配能够得到精度较高的匹配结果和较快的匹配速度,其中,ELM算法和SVM算法在历史数据集上的预测精度达到85%以上,单点预测能在十毫秒内完成,在插值数据集上,二者的预测精度达到70%以上,但ELM算法的预测精度优于SVM算法,达到87%,二者都能在几毫秒内完成单点预测。