近年来,随着全球定位技术和无线通讯技术的发展,移动终端(如GPS设备、智能手机等)产生了海量的时空轨迹数据。分析和研究这些数据,可以发现移动对象运动中的潜在规律和隐含模式。群体移动模式一直是时空轨迹模式挖掘中的重要课题,在众多领域中都得到了广泛应用,如城市规划、交通管理、公共安全和动物迁徙研究等。为了解决现有研究工作中存在的问题,本文分别从群体移动对象的运动模式、运动周期性、地域移动性三个不同视角研究基于时空轨迹的群体移动模式挖掘算法,取得了如下研究成果:1、提出了基于时空轨迹的聚集移动模式挖掘算法APMine(Aggregation moving Pattern Mining),该算法从聚集群体的移动规律出发,能够有效识别群体在时空上的运动和变化过程。在挖掘过程中通过簇相似关系识别群体之间的关联性和变化趋势。对邻近时刻的簇集合进行簇相似连接,实现聚集移动模式的挖掘。此外,考虑移动簇之间的成员关系对连接操作进行过滤和剪枝,提出了基于前缀倒排索引的APMine＿PI算法和基于前缀划分索引的APMine＿PP算法,进一步提升挖掘效率。实验结果表明,算法APMine＿PI和APMine＿PP在性能上均优于算法APMine。2、提出了基于时空轨迹的群体周期性移动模式挖掘算法CPMine(Collective Periodic moving pattern Mining),该算法通过识别高密度区域生成初始候选集,然后利用过滤-验证框架进行模式增长。在过滤阶段,筛选由子模式生成的初始候选模式,并在验证阶段对它们进行验证,从而获得最终的移动模式。为了进一步缩小候选集规模,提出了基于空间剪枝的CPMine＿S算法,利用空间邻近性过滤大量无效候选模式。为了提升挖掘性能,提出了基于对象索引的CPMine＿I算法,利用索引及其更新算法,大大减小了搜索空间。实验结果表明,同时使用空间剪枝和对象索引的算法CPMine＿IS在性能上远优于其他三个算法。3、提出了基于时空轨迹的区域移动模式挖掘算法RPMine(Regional moving Pattern Mining),该算法通过移动对象的运动规律,发现由移动行为引发的地理区域间的移动模式。首先利用区域内移动对象的运动规律,识别热点区域。然后对热点区域进行基于CLIQUE的区域聚类,利用树结构存储不同粒度下获得的OD簇。为了挖掘多粒度的区域移动模式,提出多粒度的区域树构建算法Build RT,将不同层次下的区域进行合并,从而获得最终模式。实验结果验证了算法RPMine的有效性。