随着互联网、GPS定位技术的快速发展,移动智能设备和位置服务得到广泛应用,基于位置的社交网络LBSN（Location Based Social Network）逐渐深入我们生活中的每一个方面,比如Foursquare、Gowalla、Yelp、Instagram、Weibo等平台上可以发现大量用户的签到信息。LBSN中用户所分享的位置特征,所签到的兴趣点POI（Point of Interest）信息,将社交空间与现实空间连接起来,使得挖掘个体出行偏好学习和群体出行规律成为可能。然而,LBSN中用户轨迹信息存在缺失的现象,不仅影响数据的质量,而且影响兴趣点相关研究,不利于用户出行行为的理解与挖掘。LBSN缺失兴趣点的还原任务不仅有助于兴趣点推荐相关研究任务等,也有利于公安工作中针对犯罪者出行线索的提取。现有的缺失还原研究方法大多只依赖数据本身的属性问题,没有考虑到用户的出行偏好因素,无法很好捕获出行偏好特征和时空相关性,这极大影响着模型结果的准确度。因此,本文围绕LBSN轨迹的缺失还原问题展开研究,为了更好地学习用户的出行偏好,提出了两个基于表示学习的缺失兴趣点的还原模型,有效提升了还原精度。具体内容包括:（1）以真实的LBSN数据集为研究对象,深入分析其时空特征,包括从轨迹序列角度的日签到模式分析、POI时序步长分析和空间距离分析,以及从兴趣点角度的时间模式、空间模式分析和用户的出行转移模式分析,为后文缺失还原模型的提出奠定了良好的基础。（2）构建了双向LSTM（Long Short Term Memory Neural Network）-自注意力机制融合的缺失兴趣点还原模型（Bi-LAF）。首先提取LBSN轨迹中的缺失POI的前后序列信息,利用LSTM和自注意力机制挖掘用户出行偏好,进而根据缺失POI的时间模式以及用户特征进一步学习用户的出行偏好。接着考虑到缺失POI的时空影响,利用兴趣点的空间信息和时间信息融合捕获缺失POI和候选POIs之间的复杂关系。最后,将用户出行偏好和时空复杂关系联合建模完成对缺失POI的识别还原。该模型通过在两个大规模的真实数据集上进行了评估,结果表明,与现有的方法相比,本文提出的模型有显著的改进。（3）提出基于词嵌入表示学习的双向LSTM的缺失兴趣点还原模型（E-Bi LSTMA）,利用词嵌入技术捕获兴趣点的潜在表征,一一对应提取缺失POI的前后向轨迹序列以及访问类别序列信息,用Bi LSTM和注意力机制学习序列的潜在特征,再结合缺失POI的时间模式和用户特征实现用户出行偏好的挖掘。最后结合时空影响因素完成缺失POI的识别还原问题。该模型在实验结果上充分证明了模型的预测精度的有效性。