随着无线通信技术、定位技术以及传感器技术的不断成熟,时空轨迹数据的获取变得越来越容易。时空轨迹数据是由一系列包含位置、时间、速度、航向等信息的轨迹点组成,蕴含着移动对象丰富的时空动态信息,不仅刻画了移动对象的行为模式与活动规律,还揭示了事物演化的内在机理。通过数据挖掘,来发现隐藏在轨迹数据中有价值的规律和知识,可以广泛地服务于活动推荐、城市规划、公共安全、国防军事等诸多领域,因此有着重要的研究价值和意义。在此背景下,本文研究了面向轨迹数据的行为挖掘技术,主要内容如下:(1)轨迹数据质量提升模型研究。提出了一种轨迹数据关联算法,该方法引入了轨迹特征向量的余弦相似性,较好地解决了长时中断轨迹的关联问题;提出了一种保留特征点的自适应轨迹压缩算法,该方法利用压缩比自动控制压缩距离阈值,在压缩轨迹的同时也能保持轨迹的整体轮廓。(2)基于深度学习的异常行为检测。提出了基于变分自编码网络的轨迹异常检测算法,该方法以GRU为编码和解码基本单元,以重建概率为异常分值,同时引入疑似异常占比来自适应调整异常判断阈值。在仿真测试集上,该异常检测算法的准确率和召回率均高于90%,并且实时检测效率高,预计能够满足实际场景中的需求。(3)基于聚类算法的常规行为挖掘。提出了一种新的轨迹距离度量方式,以Hausdorff距离为基础,充分考虑轨迹的空间位置相似和速度、航向等特征相似,可以较好地适用于轨迹不完全匹配的情况;对密度峰值聚类CFSFDP提出了一种改进算法,用高斯核函数和信息熵优化邻域搜索半径,用粒子群算法优化聚类中心的选取,该方法可以从大量的轨迹数据中准确地挖掘出常规行为。