离散选择模型已广泛地应用于出行方式选择建模的研究中,出行方式选择也是交通规划和决策中的重要环节,能够有效地调整城市交通结构,缓解城市交通压力。由于居民出行调查的不确定性,被调查者的个体属性数据不能完整获得,极大似然估计方法很难处理这类问题。同时随着互联网与智能交通技术的大力发展,越来越多的交通大数据被应用于出行者的出行行为分析中,而这些数据缺少个体人口与社会经济学层面的属性数据。本文回顾了离散选择建模的发展及国内外研究与实践中的应用,总结了现有的处理缺失数据的方法。同时介绍了贝叶斯网络模型的相关基础概念,总结其在交通领域的发展与应用。贝叶斯网络模型是学习人口属性结构的有力工具,可在小样本或不完备样本的情况下建立人口属性变量的相关关系。在理论分析的基础上,本文提出了缺失数据情况下出行方式选择模型方法,建立基于贝叶斯网络的出行方式选择模型,研究了结合先验知识与约束的网络结构学习方法,并应用EM算法实现缺失数据下贝叶斯网络的参数学习。为增强模型的可解释性,研究影响出行方式选择的因素,本文构建了融合贝叶斯网络模型与随机效用理论的出行方式选择算法,将出行方式选择节点设置为Soft Max节点,通过贝叶斯网络推断获取缺失数据变量的概率分布,并应用于离散选择模型效用函数的构建中。利用1998年瑞士地铁出行调查数据,对模型的结构与参数进行表达,评价了模型的预测性能。利用2018年重庆市居民出行调查数据,构建并评价了本研究提出模型算法,分析了重庆市居民出行的时间空间分布特征。人为隐去部分数据成缺失数据集,建立考虑缺失数据的基于贝叶斯网络的出行选择建模方法。结果分析表明,模型估计具有良好的对数似然值,并能考虑个体属性之间的相关性。在不同的变量缺失与不同程度数据缺失情况下,仍可以得到较好的估计结果与预测准确率。