城镇化的快速发展使得社会经济快速发展的同时,也引发城市人口聚集,引发交通拥堵、土地利用效率低下等一系列城市问题。新时期的可持续发展对城市的科学合理规划建设发起了机遇与挑战。传统的城市研究依赖于问卷调查等高费低效的方式,大数据的涌入为城市研究提供了新的途径和方法。随着地理信息技术的不断成熟,数据挖掘方法的不断推进,大量包含个体空间位置和时间特征的轨迹数据能在一定程度上反映居民出行特征,进而从人类活动这一动态角度来测度城市功能区域的分布特征,从而把握城市空间结构,为城市规划提供决策依据。本文使用成都滴滴出行数据、OSM路网数据以及百度POI数据,对成都主城区的居民出行总体特征、重要交通枢纽、商圈及景点周边的出行特征进行分析研究,并结合时间序列相似度的聚类方法,对主城区街区的功能特性进行识别,并对结果进行了验证。本文的研究内容与主要研究结果如下:（1）出行总体特征分析。基于一周数据样本分析了居民乘坐出租车的总体特征。研究发现:不同工作日和不同休息日的出行数量分别具有相似性,工作日与休息日的出行数量表现出不同特征,工作日具有明显的早高峰（9时）,工作日和休息日13-14时和17-18时都是出行高峰期,人们偏向就近出行;工作日与休息日的出行时耗分布相差无几,基本在30min以内;工作日与休息日的上下车热点区域分布具有相似性,集中在大型火车站和商圈附近。（2）重要区域出行时空特征分析。对火车站、客运站、商圈及著名景点周边500m区域的居民出行特征进行分析。研究表明:（1）在人口流量上,有相似功能区域的人口流量时间序列曲线具有相似性,但高峰期会相差1-2h,与商圈结合的区域的人流量的数量级会更高一些。（2）在出行距离与出行时耗上,居民出行距离集中在3-8km,四类重要区域的可达性总体良好,商圈的广泛分布使得其可达性最优,时耗中位数低于20min,而达到火车站的时耗的中位数则会高于20min。商圈和火车站的活跃时间直至22时,受到发车时间的影响,人们偏向于白天5-16时到达客运站,同时人们更愿意在上午8-10时乘坐出租车到达景点观赏游玩。工作日与休息日的出行距离总体分布上具有相似性,到达目的地与离开目的地的出行距离总体分布也具有相似性,到达目的地与离开目的地的时耗分布同样具有相似性。出租车司机在凌晨4-6点有较大概率接到出行距离较远的订单,人们在此时乘坐出租车的出行距离会更远一些。工作日受到早高峰（7-9时）的影响,出行时耗会比休息日更高,而休息日人们出行活动聚集在午后,13-15时及17-18时可能需要承受较高的交通压力。（3）在到达目的地空间分布特征上,休息日热点值高于工作日,热点范围更加分散,工作日连片特征更加明显,热点区域集中在成熟商圈和大型火车站附近。（3）聚类分析与区域功能识别。根据OD数据构建了336维的时空序列数据,计算了三种时间序列相似度DTW、LB＿Keogh、LB＿Hust距离,以及传统的欧式距离,与适用于任何指定的距离度量的PAM聚类算法结合,与传统方法,即采用PCA降维与K-means聚类方法结合的聚类结果进行对比分析,并与POIs数据结合,发现成都的功能区域分布特征。研究发现:传统方法不适用于高维数据的聚类,基于LB＿Hust距离的PAM算法聚类结果应用于城市的区域功能识别具有可行性,成都主城区以中心城区为中心呈环状向外扩张,街区功能主要以商住混合为主。