随着城市的现代化进程不断加快,城市轨道交通系统的网络化特征日渐凸显,路网客流的爆炸式增长,使得乘车拥挤、出行安全等问题层出不穷。依据智能手段合理描述乘客在路网中的出行轨迹,量化拥挤的效应,以掌握乘客出行的行程选择特征,及时推演路网客流的分布状态,从而合理调整行车计划、制定运营管控方案,成为轨道交通运营管理中举足轻重的问题。城市轨道交通自动售检票系统（AFC系统）记录的乘客刷卡数据（AFC数据）蕴藏了海量真实有效的乘客出行信息,依此,本文针对城市轨道交通乘客出行行程中的乘车方案选择和有效物理路径选择两种行为,分别构建了概率估计模型并提出了相应的参数估计方法,实现了乘客出行行程方案的反演和时空出行轨迹的再现。本文首先研究了城市轨道交通高峰期乘客出行的基本特征,围绕站内走行时间、站台滞留情况、换乘时间、在车时间等旅行时间要素,提出了高峰期出行路径的广义费用估计方法。基于贝叶斯推理构建了乘客乘车概率和车站走行时间分布模型,使用期望最大化（Expectation Maximization,EM）算法迭代求解模型隐变量,同步获取了站内走行时间分布参数和站台滞留系数;依据旅行时间各成分的分布特征估计换乘时间,实现了轨道交通路网任意出行路径的广义费用计算。然后搜索路网拓扑矩阵,获取OD对间的有效物理路径集合。统计了乘客旅行时间的总体分布特征,使用EM算法化简求解高斯混合模型（Gaussian Mixed Model,GMM）,以获取OD对间各路径的旅行时间实际分布概率。基于路径广义费用估计结果构建了路径选择多元Logit模型,依据GMM的拟合结果采用极大似然法求解了模型参数,并分析了参数的灵敏度。联合乘客物理路径选择和乘车方案选择的概率估计结果,通过用户细分获得了乘客的行程方案及其选择概率,反演出城市轨道交通路网中个体的历史时空出行轨迹。最后,以北京地铁路网为研究对象,选取早高峰时段的实际运营数据,实例验证了本文所提出的乘客行程反演方法的可行性和可靠性。图32幅,表18个,参考文献75篇。