随着定位技术、移动感知技术和无线通信技术的不断发展与广泛应用,大量移动物体的运动轨迹能够被追踪,由此产生了海量的轨迹数据。对这些时空轨迹数据进行深入分析并提取有价值的信息一直是研究关注的焦点,其中轨迹异常检测是轨迹数据挖掘领域中的一个重要研究分支。轨迹异常检测广泛地应用于城市交通、灾害天气预警、社会公共安全管理以及动物习性研究等领域。本文以移动对象的时空轨迹数据为研究对象,以挖掘异常轨迹为研究目标,研究了轨迹异常检测的相关理论及方法。本课题主要工作包括以下几个方面:(1)融合特征熵的轨迹结构异常检测本课题从轨迹结构特征出发,充分考虑了轨迹特征描述的全面性。同时,利用特征熵赋予特征相应的权重,深入探究了衡量轨迹特征重要程度的方式,提出了融合特征熵的轨迹结构异常检测算法,解决了当前基于距离的轨迹异常检测算法主要基于轨迹空间形态,没有全面地考虑轨迹内部特征信息,且忽略了内部特征重要程度的问题。使用多个数据集的实验表明,算法能够从轨迹空间形态及内部特征属性上发现异常,可以全面地发现明显异常轨迹及其分段,使检测结果更具有实际意义。(2)基于深度表示的无监督轨迹异常检测本课题深入探究轨迹特征的表示方式,使用特征序列表示轨迹,淡化轨迹的空间属性。同时,充分挖掘轨迹的隐藏特征,融合轨迹低维度的浅层特征和高维度的深层特征,全面地对轨迹进行特征描述,提出了基于深度表示的无监督轨迹异常检测算法。使轨迹的特征表示摆脱了空间属性的限制,且有效地解决了当前轨迹异常检测算法中,过度关注轨迹的形状,密度、速度等宏观特征,不易发现一些隐藏的特征以及高维度组合特征的问题。本课题实验采用多个数据集进行验证,用较高的F1值证明了算法的可行性和有效性。(3)轨迹异常检测原型系统的设计与实现基于面向对象的思想和模块化开发的设计思路,结合本课题的理论研究及实践操作,设计和开发出了移动对象轨迹时空异常检测原型系统。系统能够演示本课题研究中的实验过程,对本课题研究内容及成果进行检验分析,验证了算法的有效性及可行性,为进一步规模化应用本课题的研究成果提供实践依据。该论文有图50幅,表5个,参考文献115篇。