随着城市化阶段的快速发展,城市土地扩张吸引了大量人口,带动了交通设施的建设规模,城市交通展现出出行需求快速增长的特征,而高速的发展和与日俱增的交通需求极易出现供需不平衡现象,造成交通拥堵、环境污染等城市交通病。因此在交通治理问题中,人们需要更加注重交通系统内部的协调,同时抓住信息化时代城市交通发展的新机遇,用信息化手段分析挖掘居民的出行特征。交通出行方式的识别是居民出行研究内容的一部分,在以GPS轨迹数据为研究对象的分类识别中,常用的特征类型有轨迹段的平均速度、瞬时速度、加速度、距离和时间等由GPS采集点的时空信息计算得来的基本特征,这部分特征对轨迹的描述可以归为时域维度,而扩展特征的维度并设计模型进行特征融合是本文的研究重点。因此本文从时域内产生的基本特征出发,提出频域特征和多维度特征融合模型,对时域和频域特征进行融合并对其交通出行方式进行分类识别。主要工作内容概括为以下四点:（1）对原始数据集进行数据清洗及数据扩充,提高训练样本的质量和规模。（2）使用短时傅里叶变换叠加滑动窗口对特征进行平滑处理,得到在高时间分辨率的同时平衡了频率分辨率的频域特征,并对不同频率下生成的频域特征进行基于长短期记忆网络的特征筛选,确定高幅值频域特征和中幅值频域特征作为频域的最终表达。（3）根据对不同交通方式和不同特征间的分析情况,提出一种基于多尺度卷积神经网络和Transformer编码器框架的组合神经网络模型,将时域特征和频域特征拼接输入模型中,通过卷积神经网络的作用对其融合特征进行不同尺度的深度提取和压缩提纯,并进一步在Transformer编码器框架中提取长距离特征,然后设计分类器实现不同交通方式的分类识别。（4）在实验中验证本文模型的有效性,同时为增加模型的对比度,使用传统的机器学习模型和以往研究中提出的深度学习模型与本文模型进行对比分析。通过实验结果得出组合神经网络对不同交通出行方式的识别准确率均达到了90%,验证了模型本身具有良好的分类识别性能。与传统模型的比较结果表明,组合神经网络模型的识别准确率明显优于传统的分类模型,在考虑数据量和训练速度的情况下,本文模型要比传统的机器学习更为适用。而与以往研究使用的深度学习模型的对比得出,本文模型具有训练数据集体量大和特征提取维度多的优势。综上,本文提出的组合神经网络模型在实验中展现出良好的交通出行方式分类识别性能,可以为居民的出行研究和城市交通的管理优化提供支持。