近年来,共享乘车被认为是一种在城市中缓解交通拥堵和减少空气污染的重要解决方案,路线相近的出行者通过共享乘车来达到省钱或减少燃料消耗等目的,在提高车辆利用率的同时降低了道路利用率。但是当前共享乘车服务也面临诸多问题,包括不仅限于路网行程量减少的效果不显著以及共享乘车匹配率不高。本文以此背景对共享乘车轨迹匹配问题展开研究。首先对“滴滴出行”GAIA计划所提供大容量复杂的历史订单数据进行噪声点、滞留点的检测以及缺失轨迹的重建,将处理完备的订单坐标点轨迹数据通过网格区域划分的形式转换为网格区域节点轨迹数据,并基于中介中心性、紧密度中心性、特征向量中心性以及交叉口流量等指标作为研究区域范围内关键交叉口的筛选指标,通过对比不同网格划分范围内关键交叉口的精准覆盖程度选取最合适的网格区域范围。然后,基于改进最长公共子序列算法中不同共乘匹配场景的特征,对网格节点轨迹数据进行时空相似性匹配,建立以道路网络上行程减少量最大化为目标函数的整数规划模型。为更加高效计算模型结果,将求解数十万约束的轨迹时空相似性匹配转换为求解非二分图匹配的最大权值问题,利用开花算法和原始对偶算法求解。最终,通过对比历史订单与改进共乘算法的共乘匹配率与行程减少量,分析改进共乘匹配算法对交通出行的改善。为了更加准确的评价改进共享乘车匹配算法对交通出行的改善效果,本文结合乘客实际出行时的共享乘车意愿进一步分析。结果表明,本文在abc共乘场景（最常见的几种共乘场景）匹配模式下,随着最大上车等待时间阈值的增大,共乘匹配率从28.04%上升至46.73%,行程减少量从23.54%上升至41.87%。如果考虑到增加“绕路”共乘场景d的应用,相应的改善效果更加明显。通过调查分析进一步计算出成都市居民实际共乘意愿约为52%,在最大上车等待时间≈120、行驶总时间偏差γ≤300s的时间约束下（经验证相对适合居民共乘出行）,abc共乘场景匹配模式对应的共乘匹配率和历史订单共乘匹配率19.74%大致相等,行程减少量则远高于历史订单。而且,随着共乘场景的扩充和最大上车等待时间阈值的增大,共乘效果更加显著。