随着城市轨道交通的不断发展,居民出行越来越偏向于选择地铁出行。对每天数以百万计的客流量进行协调成为城市轨道交通运营管理最难也是最迫切需要解决的问题。城市轨道交通OD客流（Origin-Destination,OD）直观体现了城市轨道交通网络中所有乘客出发点与到达点之间的交通需求。随着城市轨道交通线网规模的迅速扩大和车站站点的激增,带来OD客流矩阵和客流数据的爆炸式增长,传统OD客流预测方法难以适用国内城市轨道交通领域,因此,本文提出了基于机器学习的城市轨道交通OD客流预估模型。本文首先讨论了城市轨道交通客流分布的空间和时间特征。通过对客流数据的分析发现,OD客流矩阵组中隐含着空间分布特征与时间推进特征。在此基础上,本文通过对全卷积神经网络的组成结构进行解析,发现全卷积神经网络对空间整体和细节的特征都有独到的把握,但是无法处理时间序列特征;又通过对长短期记忆神经网络原理的分析,发现长短期记忆神经网络非常适用于处理时序信息。因此,本文提出了基于全卷积神经网络和长短期记忆神经网络的组合模型,用以对城市轨道交通OD客流矩阵进行预估。该模型首先由全卷积神经网络的卷积层对OD客流矩阵数据进行卷积操作,提取OD客流矩阵的空间特征;其次由长短期记忆神经网络进行时序序列处理,学习OD客流矩阵的周期性;对经过空间和时间双重处理过后的特征数据进行反卷积,完成预测。最后,以南京地铁实际OD客流对本模型进行实例验证。按照3种特征日（常规客流,工作日客流,节假日客流）、2种客流粒度（15min间隔,30min间隔）将原始数据经过处理划分为六组数据集,并按照不同数据集内所含周期特征对模型参数做了相应调整。采用两种误差指标,对不同特征日模型整体预测结果和实际客流OD进行对比分析。在所有条件下,本模型预估误差保持在15%以内,预测结果数据表明,本模型预估效果良好,能够满足城市轨道交通的运营管理需求。