随着移动通信技术的飞速发展，越来越多的用户在日常生活中使用手机。为了提供移动服务，移动基站会时刻监测开机用户的当前位置以及时间戳。基于基站收集到这些用户移动信息，能够有针对性地进行手机用户的移动模式分析。用户移动模式分析具有十分重要的应用意义。典型的应用如优化基站位置管理服务，基于位置的移动增值服务，交通高峰期预，广告推荐（餐饮，商店，旅游）等等。　　 由于用户移动信息的时间，空间特性，分析用户移动记录时需要有效地对时间，空间之间的关系进行建模。在发现由时间，空间点组成的隐含模式的同时，还需考虑经常重复这一模式的某些群体用户。目前已有的用户移动模式分析方法无法在建模时同时考虑这几方面问题，因此建模效果并不理想。　　 由于移动用户数量庞大，且用户每天产生的移动记录数目很多，用户移动模式分析方法需要能够有效地处理大规模的用户移动数据。因此如何提高算法的效率和可扩展性也是十分重要的研究问题。　　 本文提出了一种基于贝叶斯模型的用户移动模式分析算法BDMP(Bayesian-based Daily Moving Pattern algorithm)，能够有效地对移动记录中的时间，空间关系进行建模，并描述用户与不同时间点，空间点之间的依赖关系。其建模结果能够发现一些隐含的移动模式，每个移动模式被一群用户重复，由一些空间点和时间点组成，且移动模式中的所有元素都能够依据概率排序。模型可解释性强而且能够用于新用户的移动模式预测。本文在MIT Reality Mining数据集以及中国移动数据集上对BDMP模型进行了实验，实验结果表明BDMP模型不仅在建模效果上而且在预测能力上都优于已有模型。　　 为了进一步将BDMP模型用于大规模数据，本文设计了两种并行BDMP算法。一种基于MPI机制，一种基于MapReduce框架。这两种方法都充分利用了多个处理器的并行计算能力。在中国移动的大规模数据集上实验表明MPI-BDMP算法和MapReduce-BDMP算法都具有很强的并行性和可扩展性。