近年来，城市轨道交通网络飞速发展，居民出行选择多样化、出行分布复杂化。交通卡数据记录每位乘客出行的起讫点信息，获取成本低，辅之相应成熟的数据挖掘技术，使之成为分析乘客出行特征的重要手段和途径。本文旨在通过AFC数据挖掘乘客出行特征，为进一步掌握乘客出行规律及其动机奠定基础。本文主要从三个方面展开。
　　首先，在现有研究基础上，阐述了交通卡数据的价值与产生背景、采集过程和采集方式，概述AFC系统及其数据结构，介绍上海地铁站点经纬度数据采集途径，以及从属性数据库设计、时段数据选择以及数据筛选三个方面对交通卡数据进行标准化处理。由此，针对上海交通卡数据，从时间维度，出行日、周以及小时刷卡量三个角度分析原始数据和提取相应数据结构；从空间维度，通过R语言和SQL工具分析乘客出行线路站点数据；对总体出行数据，从OD分布、出行时长以及出行次数等方面展开分析。
　　第二部分，分别构建了乘客出行可视化模型以及路径模糊匹配模型。从用户界面以及服务器创建思路及方法两方面，构建乘客出行可视化模型；通过广度优先算法搜索乘客出行有效路径，阐述乘客出行旅行时间和地铁旅行时间构成、分布及其参数的估计方法，并推算各出行路径旅行时间参数。进一步提出一种新的路径匹配模型——基于路径旅行时间的模糊匹配模型，通过构建模糊集合和隶属函数，基于最大隶属原则实现各乘客出行路径模糊匹配，进而提出乘客出行选择与路网结构和拥挤忍受时间之间关系假设模型。
　　最后，利用AFC数据及案例分析了乘客总体出行、线路出行以及时空变化特征，并在路径模糊匹配模型的基础上验证前文假设。研究表明，在路网结构一定的前提下，随着拥挤忍受时间的增长，乘客会倾向选择有利于自身忍受的路径，这一特征基本符合前期假设。
　　论文在现有研究的基础上，构建了乘客出行可视化模型，解决了交通数据可视化显示延迟、地图区域不够以及动态出行特性效果差的问题；同时，在数据欠缺情况下，通过构建路径模糊匹配模型，解决各个乘客出行路径匹配的难题。研究成果可为交通规划提供理论支撑和为管理部门提供决策依据。