信息化的飞速发展，不仅导致记录信息的数据规模越来越大，而且数据的形式也朝着高维、多源和多态的方向发展。如今世界正处于一种数据爆炸的状态之中，数据的增长速度已远远超过了人类历史上的任何时候，如何对这些规模巨大并且多样性的数据进行有效的存储与分析，已成为一项严峻的挑战。针对数据的压缩与分析，本文研究了多变量体数据的压缩和运动轨迹数据的异常检测可视分析，其中涉及了机器学习、完美哈希函数、异常检测、可视分析等技术。本文主要研究工作如下：首先，针对多变量体数据本文提出了一种机器学习与完美哈希算法相结合的近似无损压缩算法。其压缩算法主要分为三步：第一步，利用主动学习方法选取原始体数据中具有代表性的体素并用MDS方法对原始体数据进行降维，然后利用半监督学习的方法进行体数据重构，这是初步的有损压缩；第二步，保留有损压缩中偏离原始体数据较大的误差值，对于保留的误差值根据完美哈希函数建立哈希表；第三步，将有损压缩结果与误差值哈希表相结合实现近似无损压缩。其次，针对运动轨迹数据本文设计了一个轨迹异常检测系统。首先在轨迹异常检测阶段，本文将基于核密度估计的异常检测方法运用到轨迹异常可视分析中，充分考虑了其异常轨迹数据的局部特性；然后在轨迹线条的绘制阶段，针对轨迹线条数量较多时的视觉混乱现象，本文采用了基于深度的光晕方法绘制线条，有效的增强了可视分析的效果。