随着城镇化的不断深入以及机动车保有量的激增,许多城市日益严重的交通拥挤问题已严重制约了经济发展和影响了大众的日常生活。作为一种高效率、大运量的公共交通方式,地铁在提高居民出行效率、缓解城市交通压力方面具有无可比拟的巨大优势。而地铁客流量的估计毋庸置疑将是其中的重要工作之一,能否准确地估计地铁客流量将对下一步管理、规划、运营到决策等工作产生重要的影响。本文首先对地铁客流量估计相关背景及意义、国内外研究现状和深度学习的发展及应用进行了研究;详细分析了地铁的建设情况、地铁交通的特征、地铁客流量影响因素及中长期和短期的客流量估计方法;同时对声频相关理论及估计系统、深度学习的理论、方法及限制玻尔兹曼机(RBM)模型进行了深入研究。RBM模型克服了直接对多层网络进行训练的效率问题,随后分析了实验环境,数据进行了预处理,建立了实验数据集,通过无监督特征学习的DBN模型对实验声频数据进行分析处理,并对实验结果及地铁客流量估计中的应用进行研究和分析。仿真结果表明在迭代次数为50的情况下,设置不同分类数进行仿真,当分类数为7时重构误差最小(9.50),将数据放入训练好的4096-1000-500-250-2的RBM模型中,统计颜色为红、黑、绿、浅蓝、粉红、黄、深蓝的聚类点个数,再将人数为0-50、51-100、···、451-500的标记样本放入样本集中训练,将匹配的结果数目和不同聚类点数目按照从大到小的顺序进行排序,同时进行对照,数目基本吻合,得出每种颜色聚类点对应的地铁客流量信息,初步实现对地铁客流量的估计。