近年来随着互联网大数据的发展、移动终端的普及以及LBS平台丰富的服务已经形成了海量级的轨迹数据。轨迹数据包含了移动对象各个采样点的空间位置等信息，蕴含丰富的知识。时空轨迹数据的挖掘，不仅能够应用于交通流量预测、城市规划、出租车服务以及路径推荐等宏观领域，还可以反映移动对象自身的出行特征和生活规律等隐私信息。然而原始采样的时空轨迹数据量庞大、种类繁多、异频采样、时空点序列存储等特点，使得轨迹数据无法被直接用来挖掘和分析，行业研究员对轨迹数据进行挖掘前往往需要一系列处理将其转换为能够被使用的数据，包含轨迹数预处理、轨迹的索引与检索、轨迹数据压缩等。本文针对多源异质的轨迹数据进行了轨迹数据的管理和KNN查询。　　本文首先针对多源异质的轨迹特性提出了基于轨迹段的轨迹数据模型，该模型将轨迹由原始的采样点模型转换为便于理解和组织的轨迹段的形式。接下来本论文提出了一种面向轨迹段的快速KNN查询方法，并对比了几种算法的检索效果和运行效率。实验结果表明本文提出的面向轨迹段的KNN算法更适用于多尺度的异质轨迹数据计算，并且通过对异质轨迹数据的压缩极大的提升了轨迹KNN运行的效率。　　本文的创新点主要有：（1）提出了基于轨迹段的轨迹数据模型来对轨迹进行组织和管理，将有效提升轨迹挖掘和分析的效率。通过将轨迹分为移动对象、点对象和轨迹对象分别管理，使得轨迹段的数据模型能够适用于多尺度的异质轨迹数据。（2）提出了基于轨迹段的快速有序KNN查询算法。首先通过对轨迹段进行距离时间比的压缩，能够极大程度的降低轨迹计算的复杂度。其次将投影距离应用于点到轨迹的度量，提升了多尺度轨迹的KNN查询结果。