目标判别技术在交通管控、社交分享、军事活动中具有广泛的应用背景，是当今学术界的研究热点之一。近年来，卫星定位、目标跟踪、移动设备定位，无线通信等高新技术的飞速发展，使得人们能够积累海量的轨迹数据。轨迹数据由于其获取成本低、定位精度高、更新频率快等优点，被广泛用于各个领域。现有目标判别方法多是依据目标的几何特征、雷达信息等，没有充分挖掘轨迹数据的内在信息。　　目标判别的本质是一个分类问题。基于轨迹数据的目标判别通常可以分为以下几个步骤:数据预处理、特征提取、特征选择和分类模型构建。本文从轨迹数据的基本特征出发，研究了如何从轨迹数据提取更多具有识别力度的特征以及如何从众多特征中选取重要的特征，然后在此基础上研究了如何构建轨迹目标判别的分类模型。最后，针对轨迹数据中经常存在的数据不均衡现象，研究了如何有效地处理数据不均衡问题。　　论文的主要工作和创新点归纳如下:　　1、针对现有方法对轨迹数据特征提取不完全的问题，提出了一种基于统计分析和局部分解的轨迹特征提取方法。首先利用统计学方法从原始轨迹数据提取全局特征，然后利用局部分解技术将轨迹分段进而提取局部特征。实验结果表明，本文提出的特征提取方法在不同分类模型上都具有最低的分类误差，具有较好的识别力度。同时，针对提取的众多特征中存在的众多不重要的特征，使用树集成学习模型得到输入特征的重要程度，从而实现特征的选择及降维。实验结果表明，基于树集成学习模型的特征降维方法比传统的主成分分析降维方法在相同的降维程度下分类准确率提升约3％。　　2、针对现有轨迹判别方法判别多是使用传统的单一模型分类方法（K-近邻、决策树、支持向量机等），提出了一种基于树集成学习模型的轨迹分类方法，实验结果表明，基于树集成学习模型的分类方法比传统的单一模型分类方法在各项评价指标（准确率、召回率、F值、混淆矩阵、ROC曲线和AUC）上均有明显提升，且具有更快的运行速度。此外，针对轨迹数据存在的不均衡问题，使用过采样和欠采样组合的方式对数据进行处理，使得数据的分布更加均衡。实验结果表明，本文方法较欠采样和过采样方法在各个评价指标均有明显提升。