大数据时代,随着移动互联网、卫星定位导航等技术的发展,移动目标轨迹数据呈现出爆炸式地增长态势。如何实现多源轨迹数据安全联合挖掘,破解“数据孤岛”,是当前理论学术界和工业产业界共同面临的重点难点问题。具有协作性和隐私性的联邦学习技术是解决这一挑战的有效手段。近年来,联邦学习已经在智慧金融、智慧医疗、智慧交通建设等领域得到应用,但是在充满潜力的轨迹数据挖掘领域却鲜有研究。因此,本文采用联邦学习算法模型,以船舶自动识别系统（Automatic Identification System,AIS）轨迹数据为例,对多来源多权属轨迹数据的安全联合挖掘相关问题展开研究,探索数据挖掘的聚类、分类和隐私保护技术,主要完成了以下工作:1.提出一种基于联邦学习的船舶AIS轨迹谱聚类算法。数据的收集和使用是人工智能时代数据挖掘技术持续发展的基石。然而当前人工智能技术的仍存在两大挑战:一是各个部门间的行业竞争以及隐私安全,在数据源之间形成的“数据孤岛”导致无法安全共享数据。二是各国相继颁布的新法律法规强化了对数据隐私的安全管理,数据隐私安全已逐渐形成世界性趋势。针对人工智能面临的挑战和轨迹数据挖掘中的隐私保护需求,本文提出一种基于联邦学习的船舶AIS轨迹谱聚类算法。该算法在垂直分布的数据集上通过加密样本对齐技术和同态加密技术,保障了用户数据的隐私安全,实现了多参与方安全联合机器学习。通过与其他聚类算法对比,验证算法具有良好的聚类性能。2.设计一种基于BCP同态加密的C4.5决策树外包算法。本文以经典的C4.5决策树算法为例,利用BCP同态加密设计了一种具有隐私保护的C4.5决策树外包算法,将现有的适用于两方的协同训练机制推广到了多个参与方的情形。在水平分布的数据集上的实验结果表明,该算法能够保证数据的隐私性和训练准确率,有效降低参与方客户端的时间开销。安全性分析表明,该算法所采用的BCP同态加密和解密操作不会导致精度上的损失,在诚实且好奇的模型下是安全的,能够为多方数据分类模型提供隐私保护,可以用来解决联邦学习过程中多参与方安全协同训练决策树问题。3.提出一种基于联邦随机森林的船舶AIS轨迹分类算法。为提升AIS轨迹数据的分类效果、实现多权属数据安全联合数据挖掘,设计一种基于联邦随机森林的船舶AIS轨迹分类算法。通过分析船舶AIS轨迹数据、提取最优轨迹特征,并使用相应的特征向量作为联邦学习模型的输入,实现了对渔船、客船、货船和油轮4类典型船舶的联邦分类。实验部分设置多个AIS岸站参与方,从准确性和效率性进一步验证该算法能够在保证数据隐私安全的前提下表现良好的分类效果,降低了参与方客户端计算开销,实现了多权属数据安全联合数据挖掘。研究成果可应用于船舶航迹模式识别和航迹分析预测等领域。