随着移动设备、无线传感网络技术、RFID设备以及GPS卫星定位技术的快速发展以及大规模应用，很方便收集到海量移动对象轨迹数据。这些轨迹数据包含很多潜在的有意义的知识，如何从这些轨迹数据中提取有用的知识是轨迹数据知识发现中亟待解决的难题。移动对象频繁模式发现作为轨迹数据知识发现的一个重要研究课题，在基于位置的服务、隐私保护、位置预测等诸多领域都有重要应用。本文围绕时间标识的移动对象频繁模式发现进行了研究，主要工作如下：(1)研究相对时间约束的兴趣区域发现针对传统的聚类方法发现兴趣区域时结果不确定且挖掘效率不高的问题，本文引入相对时间约束，提出相对时间约束的兴趣区域发现方法。该方法首先对移动对象的运动平面均匀划分网格，接着基于均匀网格计算网格密度，并利用相对时间约束对满足网格密度要求的轨迹分段，然后对密度网格扩展得到候选兴趣区域，如果轨迹划分的轨迹段和候选兴趣区域有交集，那么该轨迹即为候选兴趣区域的支持轨迹，若支持轨迹数不小于给定的最小支持度阈值限制，则候选兴趣区域即为兴趣区域。实验表明，本文方法能够得到良好的兴趣区域效果，且有很高的挖掘效率。(2)研究时间约束的移动对象频繁模式挖掘传统的移动对象频繁模式挖掘结果大都不包含时间信息，因此本文在相对时间兴趣区域发现的基础上，提出一种时间约束的移动对象频繁模式挖掘方法。该方法首先对提取的相对时间约束的兴趣区域进行转换，得到转换后的序列，接着对这些序列投影，计算投影后的序列，并提取候选频繁模式，然后添加时间约束，若候选频繁模式的支持度不小于给定的最小支持度阈值，且满足时间约束的限制，则候选频繁模式即为频繁模式。实验表明，与传统的频繁模式挖掘算法相比，本文算法的挖掘效率在时间和空间上都有明显提高。(3)设计并实现时间标识的移动对象频繁模式发现原型系统在理论研究的基础上，本文设计并实现了时间标识的移动对象频繁模式发现原型系统，并利用真实数据集验证了本文算法的准确性和高效性，该系统具有良好的可视化效果，能够很好地展示本文算法的挖掘结果。