随着工业化与城镇化规模不断扩大，人类社会面临越来越多的发展问题，城市人口过密、交通拥堵、环境污染、规划落后等，各类应急事件（如空气污染、市区内涝、群体性事件）时有发生。物联网技术及移动互联网的快速发展，使得城市中产生了丰富的大数据，包括交通流、道路网络、兴趣点、气象数据、GPS轨迹和社交媒体等。这些数据不仅实时反映出城市中出现的各种事件信息，更为城市中的应急物联网系统提供了丰富的数据来源和决策支持。　　本文针对应急场景下的物联网数据处理与分析中存在的若干重要问题展开研究，包括:动态时空索引、快速位置判断算法、几何概略化算法及人群疏散模式等，从而使应急事件发生时可以高效管理动态传感器数据、快速定位相关人员物资、准确疏散人群并为其进行路线指导。　　具体而言，本文的主要研究工作及贡献如下:　　(1)提出一种基于位置的应急事件响应机制，该机制包括动态时空索引和快速位置判断算法两部分。应急场景下的传感器数据往往是流式的时空数据，本文提出一种高效的动态时空索引HTPR-tree（Hybrid Time Parameterized R-Tree），可有效检索应急事件中位置及形态都在变化的监测对象，如河流污染带、污染气团、火灾蔓延范围以及人员物资等。并在该索引基础上，提出一种快速的移动对象位置判断算法PIDA(People In DangerAlgorithm)。通过将需要获取位置的人员及物资抽象为移动个体，将监测的对象抽象为形状及位置都在变化的移动多边形，该算法可实时准确获取移动对象与监测对象之间的相对位置关系。　　(2)提出一种基于拓扑划分的几何概略化算法。该算法避免了传统计算几何中只能针对单个几何对象进行概略化的问题，可根据不同的请求范围和粒度快速将应急事件相关几何物体（如代表污染气体的多边形，代表疏散路线的折线等）概略化，保证相互间拓扑关系正确前提下，最小化网络数据传输量，从而及时响应应急事件中的各类信息需求。　　(3)提出一种基于轨迹聚类的人群疏散模式。该模式与传统对人群仿真建模的研究思路不同，通过对应急事件发生时，移动设备产生的运动轨迹进行聚类，挖掘出合适的疏散路线，并针对不同路线之间的负载进行平衡和调度。