随着我国经济快速发展,交通拥堵问题日益严重。为改善交通拥堵现状,国内外学者积极寻找有效的对策,其中一种有效方法是建立交通出行需求预测模型,分析和掌握居民出行选择的一般规律,进而有效管理城市居民的交通出行。出行目的是引发交通需求的直接原因,研究出行目的对分析居民出行行为具有重要作用。随着机器学习的发展,全连接神经网络展现出其强大的自主学习能力和精准的预测能力,给非集计模型在交通出行行为领域的研究提供了新的方法论。此外,利用大数据技术所得的交通被动数据很难获取居民个人特征信息和完整的出行信息,由此挖掘出行目的存在一定困难。鉴于此,本研究以传统居民调查数据为基础数据源,利用全连接神经网络技术,展开了如下研究工作:（1）为体现出行行为的动态性和持续性特点,本文提出出行目的链理论,将居民一天内所有出行目的按顺序以“链”的形式进行连接,为后文构建刻画不同出行次数的出行目的链模型奠定基础。（2）利用居民出行调查数据,从个人属性、家庭属性和出行属性三个方面分析居民总体的出行特征,分析个人属性和家庭属性与出行次数、出行目的链之间的的内在联系,掌握居民出行次数和出行目的链选择的基本规律与趋势。（3）根据个人属性和家庭属性与出行属性之间的分布关系,挖掘影响居民出行次数选择和出行目的链选择的因素,为预测模型分类量化提供依据,并用Pearson相关系数进行相关性检验,确定影响居民出行次数选择和出行目的链选择的显著因素。（4）利用全连接神经网络技术,构建不同出行次数的出行目的链模型。考虑一天中不同出行次数的出行目的链的差异性,在预测居民出行次数的基础上再进行各次出行目的链的预测;考虑居民出行目的链选择行为具有习惯性,将居民出行调查数据中历史出行目的链的选择规律作为分类依据,将不同类别的出行目的链作为模型输出,展现出居民出行目的链选择的真实过程。（5）使用混淆矩阵的分类准确率和总准确率对出行目的链预测模型进行评价,验证全连接神经网络在预测分类问题上的可行性。对比模型预测结果,使用相同的样本数据在传统分类模型（多项Logistic模型）上进行预测,证明全连接神经网络模型在出行行为预测方面具有更高的预测精度和更强的泛化能力。本文的研究成果旨在为交通需求管理和交通政策的制定提供科学依据。