城市人口数量和机动车保有量快速增长,带来了众多的城市交通问题。交通需求的时空分布特性是进行城市交通综合整治的基础,是城市交通规划者和管理者迫切需要了解的信息。传统的研究多以固定监测器为基础,存在数据采集成本较高、处理效率较低等问题。本文借助交通多源数据,研究基于多源数据的OD估计理论方法。为了提高检测器采集到的交通流数据的有效性,基于S-G滤波法和数据驱动方法,本文首先提出一套整合的交通流异常数据识别与修复算法,据此构建了基于多源数据的基础数据质量控制系统框架。通过对北京市某路段实测数据的处理实例,对该算法进行验证,结果表明,该方法有效降低了交通流数据中异常数据的比例,可以用于支持多源数据融合以及交通流大数据分析,为异常数据处理提出了新的思路,也为后续基于交通多源数据的分析奠定良好的基础。在完成基础数据质量控制的基础上,为了充分利用多源综合交通数据,提高OD估计的精度,分析研究了基于拆分因子的OD估计方法。OD估计方法分为静态和分时段OD估计两个阶段。考虑先验OD、路段流量和转弯流量等因素,建立静态OD估计方法,求解静态控制OD总量,作为下一阶段分时段OD估计的输入。之后建立基于多目标优化的分时段OD估计模型,应用遗传算法求解动态拆分因子,实现对OD总量的拆分,获取分时段OD估计结果,并通过实验路网算例验证了模型的有效性。研究结果表明:随着有效信息的增加,静态和分时段OD估计的精确度均得到提高,其中先验OD信息对静态OD估计的准确性影响最大,补充转弯比例信息一定程度上也有助于估计精度的提高。最后,构建了仿真实验平台,验证OD估计模型的有效性。以北京市某实际路网为研究对象,研究了基于VISSIM的仿真实验平台架构,设计、建立实验数据库,进而通过运行仿真模型采集交通数据,从而对OD估计算法进行精度分析,验证算法的有效性。