城市中个体的出行轨迹数据可以为城市职住平衡、交通优化、信息普查等方面的研究提供大量信息,从而达到促进城市居民通勤便利度提升、减少机动车出行等目的。随着通信技术的快速发展,手机信令数据逐渐应用于出行轨迹提取方法的研究中,本文对基于手机信令数据的出行轨迹提取方法进行研究,为手机信令数据进一步应用于职住平衡和城市交通研究提供更高质量的信息,主要研究内容如下:首先,通过分析手机信令数据的定位原理和分布特征,探究了手机信令数据的误差来源和误差类型。对原始手机信令数据进行了预处理,给出了不同类型的误差数据处理方法和参数。其次,通过分析手机信令数据的时空分布特征和统计特征,提出了基于分段出行的手机信令数据出行轨迹提取模型。在该模型中,面向基站空间分布不均匀的特征,提出一种基于动态时空阈值的层次聚类算法,对预处理后的手机信令数据轨迹点进行出行和停留的分类,提取出出行中的多段起讫点（Orion and Destination Points,OD Points）,从而将一天内的出行划分为多段单一目的的出行;基于精确多模式综合交通网络,应用时空相似度算法和寻路算法,初步确定单一目的出行的出行方式;在单一出行中,应用基于图论的K短路算法生成出行轨迹候选集;在轨迹候选集和手机信令数据轨迹点列间,应用曲线时空相似度算法确定实际出行轨迹。其三,应用基于动态时空阈值的层次聚类算法和基于分段出行的手机信令数据出行轨迹提取模型作为实验组,基于密度的聚类算法和隐马尔科夫路径提取算法为对照组,设计两组对照试验。此外,将实验组结果和实际轨迹进行对比完成模型有效性验证。实验结果表明:本文提出的基于动态时空阈值层次聚类算法,相较于基于密度的聚类算法可以更准确地识别出“伪出行”进而更精确地划分多段出行;基于分段出行的手机信令数据出行轨迹模型相较于隐马尔科夫模型可以更准确地提取用户出行轨迹,在数据完备的自驾出行情况或者下公共交通出行中,轨迹提取的准确率超过90%。