随着通信技术的发展以及移动GPS装置的广泛应用,产生了海量的移动轨迹数据,这些数据包含着移动对象丰富的行为模式。利用海量的历史轨迹进行高准确率高效率的目的地预测可以在多个领域和范围具有广泛的应用价值,已成为当前的研究热点。本文以移动轨迹的目的地预测为研究问题,我们的工作主要包括以下几方面:首先,为了解决了现有轨迹预测方法的几个问题:1)将轨迹建模为一维序列,忽视了轨迹点的二维空间关系。2)单一尺度下处理轨迹,忽视了轨迹的多尺度性质。3)轨迹的每一部分重要性都相同,但并不是轨迹的所有部分都有意义。我们提出了两个基于卷积网络的目的地预测模型T-CONV-Basic与T-CONV-LE,基于卷积网络的目的地预测模型(T-CONV-Basic)模型将轨迹建模为二维图像,利用卷积网络抽取轨迹的多尺度特征。进一步地,我们通过梯度可视化分析出起始点附近与当前点附近的轨迹对于结果的贡献度最大,并在后续提出了基于局部增强卷积的目的地预测模型(T-CONV-LE),T-CONV-LE可以更加关注于抽取重要信息的部分,并且避免了数据稀疏性问题。通过现实数据集实验表明,T-CONV-LE可以达到较好的效果,优于T-CONV-Basic以及其它的方法。其次,为了解决T-CONV-LE模型的局部区域大小选择问题,提出了基于注意力机制的局部增强卷积神经网络目的地预测模型(T-CONV-LE-MUL),该模型通过抽取局部区域的轨迹流量信息,并利用注意力机制将轨迹流量信息作为输入实现区域范围大小的自适应选择,以达到使不同区域范围的轨迹图像信息融合的目的,提升模型的表现。然后,我们提出了一种使用海量车辆轨迹点抽取包含道路拓扑结构信息的路网数据算法,该方法通过轨迹点数据的去噪,采样,多分辨率下的形态学处理等方法,高效的提取出路网信息。得到路网数据后,利用卷积神经网络对路网数据进行拓扑特征抽取,并将路网特征融合进轨迹目的地预测算法中,提出了融合路网信息的车辆轨迹目的地预测算法(T-CONV-LE-MUL-ROAD),进一步提升轨迹目的地预测的准确率。最后,在理论研究的基础上,采用Proto数据集与T-drive数据集进行了大量的实验,验证本文所提出的T-CONV-Basic、T-CONY-LE、T-CONY-LE-MUL、T-CONY-LE-MUL-ROAD模型效果,并与现有方法进行对比,在精度、参数敏感性、以及运行时间上进行了实验,实验证明这些算法均取得了较好的效果。