随着GPS定位、RFID标签、传感器、Wi-Fi等技术的迅猛发展,以及智能移动设备的快速普及,移动对象产生的轨迹数据呈爆炸式增长。如何有效的对轨迹数据进行挖掘,提取出有价值的信息,是当前移动对象轨迹数据挖掘中一个重要的问题。移动对象轨迹异常检测作为轨迹数据挖掘中一个重要分支,能够有效地发现轨迹数据集中潜在的有价值的异常信息。本文围绕移动对象轨迹异常检测方法进行了研究,主要工作如下:针对现有的轨迹异常检测方法大多只关注轨迹的地理空间位置信息,忽略了移动对象在运动过程中的其他重要特征如速度、方向等,并且在轨迹原始空间中特征提取效果不佳。本文提出一种基于核主成分分析的轨迹异常检测方法TOD-KPCA。首先对轨迹数据进行预处理,统一轨迹长度。然后通过核映射将轨迹数据从原始输入空间映射到高维特征空间,并在高维特征空间中提取轨迹特征。最后采用一类支持向量机对轨迹特征进行无监督学习和异常检测。该方法能够在不做任何改变的情况下应用于多因素轨迹异常检测。实验结果充分表明了TOD-KPCA算法的有效性。针对现有的基于核方法的轨迹异常检测方法在特征提取前需要统一轨迹长度,采用重新采样等方法人为插入轨迹点从而破坏轨迹原始属性特征的不足,本章提出一种能够处理变长轨迹集合的异常检测方法VTOD-FGAK。方法采用快速全局比对核(FGAK)作为轨迹数据映射的核函数。快速全局比对核能够有效地处理变长轨迹数据,保持轨迹原始的特征属性,避免了人为插入轨迹点的干扰因素,同时也提高了异常检测的准确度,能够检测出那些因为长度太短而漏检的异常轨迹。实验结果验证了VTOD-FGAK算法的有效性。针对核主成分分析计算复杂度高,无法有效应用到大规模高维度的轨迹数据集的不足,本章提出一种基于增量核主成分分析的增量轨迹异常检测方法。方法采用核特征空间分割-合并算法来更新核特征空间数据模型。维持一个固定大小的滑动数据窗口,每当有M条新增轨迹到来时,先从滑动数据窗口核特征空间模型中移除最早的M条轨迹数据,再将新增的M条轨迹数据合并到核特征空间中。方法只需要计算M条轨迹的核特征空间,在原有滑动数据窗口核特征空间的基础上增量地更新核特征空间,避免了每次更新时都要重新计算滑动数据窗口核特征空间的不足,降低了计算复杂性。实验表明了该算法的有效性。在理论研究的基础上,设计并实现了移动对象轨迹异常检测原型系统。系统提供基于核主成分分析的轨迹异常检测方法和变长轨迹异常检测方法以及增量轨迹异常检测方法,可以对轨迹数据进行有效的异常检测。系统提供简单良好的参数设置界面和可视化操作效果,能够方便展示轨迹异常检测的各个步骤和检测结果。