近年来,情景识别是研究热点。识别用户出行模式在情境识别中有重要应用。目前大多数交通模式识别系统大都采用GPS(Global Positioning System,全球定位系统)、GIS(Geographic Information System,地理信息系统)、加速度传感器、或者两辆融合的方式实现。但是这些方法存在精度低、功耗高和鲁棒性差等问题。针对这些问题,本文提出基于贝叶斯投票分传感器和基于深度学习的方法,对机动车辆等交通工具的模式识别问题进行了研究,主要工作如下:第一,利用目前智能手机上搭载的各种传感器获取原始数据集。为了更好地提取原始数据集中交通模式识别相关的特征集,本文采用预处理的方式进行处理。针对不同传感器类型,分别从统计、时域、频域等方面提取、挖掘和分析特征。第二,为了满足目前的低功耗、设备异构性强的需求,本文提出了一种基于贝叶斯投票分传感器算法。该算法创新地使用了分传感器的方式,利用手机上搭载的低功耗传感器(加速度传感器、陀螺仪、地磁、基站和气压传感器)采集数据,提取相关特征,使用Adaboost分类器对不同传感器提取的特征分别进行分类,从而识别不同的交通工具。由于各个分类器存在误判的情况,在决策层采用了贝叶斯投票的方式,为不同的传感器设置不同的权重,根据投票结果得到最终的判定结果。仿真实验结果表明,所提出的算法显著地提高了识别准确率,准确率为91.5%以上。第三,为实现高精度交通模式识别的需求,本文提出了一种基于深度学习的交通模式识别算法。深度学习在现在模式识别领域的应用非常广泛,特别是在图像处理方面。然而,在处理非图像数据方面却应用的很少。针对这种情况,本文创新地使用深度学习算法处理传感器的非图像类数据。基于目前比较成熟的Keras架构,分别为不同的传感器设计了不同的网络结构,这样就可以有效的实现不同传感器的识别功能,并采用投票的方式获得最终的判定结果。仿真结果显示,该方法具有较高的识别精度,准确率为94.18%以上。