随着城市人口和机动车数量的指数级增长,城市交通系统出现了一系列的问题,事故、拥挤、污染,使得城市交通网络不堪重负。通勤车辆引起的高峰交通拥堵更是对居民出行造成了极大地困扰。一味地增加道路基础设施已经无法平衡交通需求与交通供给,人们需要更加合理且有效的交通管控与交通规划手段,才能缓解拥挤带来的出行压力,而交通管控与规划的基础在于对道路中运行的车辆数据进行采集以及合理的分析。近年来,城市智能交通系统中的高清卡口系统被广泛的应用于车辆出行监测,使用卡口交通数据进行城市车辆出行行为的研究,能够适应动态的城市道路交通环境,为缓解出行拥堵问题提出更合理的规划建议。车辆的出行特征分析是城市交通研究的热点之一,一直受到研究学者的广泛关注,并取得了很多突破性的进展。但从以往的研究成果来看,在使用卡口数据进行大规模的城市车辆出行特征分析问题上,仍有待深入的研究。在理论意义方面,论文使用两种不同的聚类方法进行通勤车辆的数据分析,弥补了目前此方向上方法较单一的问题。在实践意义方面,论文的研究结果能够为城市管理者对于道路交通系统的管理与控制提供一定的基础建议。首先,论文从三个不同的角度对城市车辆的出行行为研究进行了总结,梳理了此方向上现有的研究进展和值得继续研究的问题,总结了论文的研究目的与意义;其次,对绵阳市高清卡口系统的功能与现状分析,引出论文使用的数据源,并对其进行数据的适用性分析和预处理,保证数据集的有效性,为下文的研究提供基础的数据支撑。随后,论文总结了交通出行链与交通起讫点调查（Origin-Destination Survey,OD Survey）在交通规划中的作用,并使用处理后的数据集进行绵阳市一日的交通出行统计,整理出单车单日出行的所有卡口信息记录,提取出车辆卡口出行链和OD信息。最后,通过提取通勤车辆时空方向上的三个特征,使用K均值聚类算法（K-Means Clustering Algorithm,K-Means）与高斯混合模型算法（Gaussian Mixed Model,GMM）两种方法,对卡口车辆数据中具有通勤特征的车辆数据聚类分析。结果表明,两种方法均能有效的获取数据源中具有通勤特征的车辆信息,但在相同的特征下,GMM算法的聚类结果比K-Means算法更加稳定。经过验证,两种算法下的车辆数据均符合城市车辆的通勤特征,得出的结论可以从城市用地性质、交通管理与控制以及交通规划等方面入手,为城市交通出行拥堵问题提供解决方向与思路。