地图匹配算法旨在将一系列GPS轨迹点映射到道路网络中,实现车辆行驶轨迹与路网空间的对应。传统的地图匹配算法对高精度和高频率的GPS数据能取得较好的匹配效果,但难从高噪声和低采样率的浮动车轨迹中寻找出车辆的真实定位信息和行驶路径。主要是由于现有的算法更专注于路段之间几何和拓扑关系的研究,历史的路网状态数据和浮动车轨迹信息尚未得到充分利用。本文拟采用基于深度学习融合空间-时间关系分析的地图匹配算法（DSTMM）来寻找浮动车轨迹点的具体位置信息和推理出车辆的行驶路径。该模型考虑了道路几何与拓扑信息,同时充分挖掘浮动车轨迹数据与路段的历史状态信息。该算法的研究内容主要包括以下三个方面:1)地图匹配的误差主要是由于不合理的匹配机制导致的,它可以通过在执行地图匹配主算法程序之前缩小候选区域的范围来减少匹配误差。本文通过动态候选区域和动态候选路径集构造了基于GPS轨迹点的动态候选路径图,以此来过滤不合理的行驶路径。2)基于动态候选路径图可以初步获取车辆所有可能的候选匹配点和候选路径,本文提出的地图匹配模型进一步从空间角度分析筛选浮动车GPS轨迹的真实行驶路径。主要包括:空间几何分析、拓扑关系分析和节点转向分析。3)目标路段内的车辆行驶状态会受到相邻时刻和相邻路段车辆运行状态与道路条件影响,同时也会受到外部因素的影响,例如天气,工作日与非工作日,平高峰时间等。本文构建了基于深度学习模型（BD-LSTM NN）来捕获路段运行状态在空间-时间域上的依赖关系,同时引入天气条件和工作日周期变化作为外界影响因素。本研究将中国漳州市中心城区作为实验区域,路段感应线圈数据和GPS轨迹数据分别作为深度学习模型和DST-MM模型的实验数据,对本文所提出的基于深度学习融合空间-时间关系的地图匹配算法进行了实例评测。实验结果表明,本文所提出的DST-MM算法优于实验对比的三种地图匹配算法,在复杂城市中心区域的道路网络中效果更突出。