近年来,随着城市化进程的不断推进,交通碳排放在城市二氧化碳排放中所占比重逐年增加。我国大部分一线城市交通碳排放已经成为城市碳排放的主体组成部分。因此,研究城市交通对碳排放的影响关系对城市低碳绿色经济发展有重要意义。本文在对碳排放研究现状归纳分析的基础上,以城市路网数据和出租车轨迹数据为基础,通过异常值处理、数据清洗、噪声去除等数据处理方法,提取研究区道路条数、道路密度、道路面积、道路夜间灯光DN值、出租车车辆数、出租车密度共计6种交通因子,最后针对成都市6000m*6000m格网单元,建立粒子群算法（Particle Swarm Optimization,PSO）优化BP神经网络模型对城市碳排放进行预测并就结果进行评价分析。具体内容分为以下几个方面:1.基于灯光数据模拟估算城市碳排放量。对灯光数据进行处理并提取不同灯光因子,建立不同因子组合下的地理加权模型进行碳排放估计,并对不同模型进行对比评价,筛选出最优模型,最后对最优模型估算的碳排放数据进行空间分析。2.交通因子提取与分析。对基础路网数据与出租车轨迹数据进行处理,提取交通因子,并对于每种交通因子进行空间分析。最后利用地理探测器就单个交通因子对区域碳排放量的解释力大小以及双因子交互作用下交通因子对区域碳排放量的解释力变化情况进行分析。3.基于交通因子构建碳排放神经网络预测模型。建立PSO算法优化BP神经网络模型与标准神经网络模型,通过构建不同评价指标分别就模型性能、拟合程度、泛化能力三个方面对两种模型进行对比评价,最后为进一步验证模型的泛化能力,在不同空间尺度下对区域碳排放量进行预测。本文研究结果表明,成都市交通建设规模和实时交通状态对相应区域碳排放有明显的影响。就空间分布而言,交通建设规模和实时交通量越大的区域,碳排放量明显越高,且成都市交通与碳排分布均具有中心环状放射性结构特征与“西低东高”显著特点;构建的PSO算法优化BP神经网络模型从模型性能、准确率和稳定性方面均明显优于标准BP神经网络模型,在36km~2格网范围大小空间尺度下达到95.11%的预测准确率,且在县区（县级市）空间尺度下平均预测准确率为92.4%,预测结果依旧准确可靠。