随着城市建设规模不断增大,城市急剧向外扩张,居民远距离出行需求不断增长,而常规公交线网无法满足城市中各OD(Origin and Destination)对间的公交直达服务,因此无法避免公交换乘现象。随着智能公交系统的不断发展,其产生的海量公交数据为研究换乘提供了新的可能,结合推算成功的上下车站点信息,并根据其时空特性可识别出公交网络上的换乘信息。本文结合换乘乘客的出行特征,提出两阶段法识别换乘,即初步识别和深度识别阶段;首先对连续出行阶段间的转移过程进行初步识别是否为换乘;其次在初步识别结果为换乘的基础上继续结合乘客出行链进行深度识别。初步识别换乘过程中,首先利用现有各地图提供的开发平台获取乘客在换乘站点间的步行路径距离代替前人研究使用的欧式距离,使识别过程更加合理准确;并精细化考虑时空约束,在确定时间、空间阈值时考虑了不同乘客类型的步行速度、结合信号灯数量设置冗余时间、计算公交车在站点的车内拥挤度、上车机会数的分布等因素;最后用本文优化后的迂回系数及非最优率指标进行深度识别,以区分出换乘和短时活动。并以成都市一周的出行数据为例识别换乘,结果表明平均换乘系数为1.256。其次,通过比较本文使用的基础数据与前人使用的基础数据的精确性,分析得到了本文识别换乘方法的合理性及精确性均有所提升,其中步行路径距离相较于欧式距离可提升约20%的准确率,且用该数据计算出的到达时间误差相比于欧氏距离可降低14.44%;并结合文献提出的区分换乘和短时活动的指标对本文的识别换乘结果进行了验证,结果证实了本文识别方法的有效性。在此基础之上,把本文识别的结果和前人提出的固定时间间隔识别法、基于“随到随走”判别法及未考虑出行链特征的识别方法均进行了对比,并对其中可能造成的漏判和误判情况逐一进行了分析。结果表明,相比于“随到随走”识别方法,本文加入拥挤因素约束后可减少2.9%的漏判,考虑了顺带出行的换乘可减少8%的漏判;且在深度识别中考虑的单路径与多路径影响因素相较于仅考虑迂回系数可降低3.49%的误判。最后对换乘识别结果进行时空分析,并研究了换乘等待时间较长、拥挤度较高、换乘距离较大的站点空间分布,并提出改善建议。