移动设备支持的全球定位系统和无线通信技术的普及为轨迹数据的产生和发展奠定了基础,由此也衍生出一系列关于轨迹的研究和应用。轨迹相似度计算是一项热门研究,被广泛应用于兴趣点推荐、路径规划等方向。随着基于位置社交网络的发展,活动轨迹的产生赋予了传统轨迹数据额外的语义信息。现有的相似度算法不仅忽略了活动轨迹中丰富的语义信息,而且难以工作于低采样频率的轨迹数据(异质性问题)。针对这两点问题,本文提出了一种基于深度表示学习的活动轨迹相似度计算模型。为了优化此模型在处理长轨迹和区分多重特征上的不足,设计了一种基于分级注意力机制的相似度计算模型。具体工作如下:针对现有相似度算法局限于时空特征的问题,本文结合活动轨迹的语义信息,提出一种基于深度表示学习的活动轨迹向量化模型(At2vec)。首先以低频轨迹作为输入而高频轨迹为目标,解决了传统算法中的数据异质性问题。其次采用矩阵拼接将活动轨迹的语义信息和时空特征融合,为模型生成奠定数据基础。最后提出一种语义邻近感知(STA)损失函数来解决模型训练收敛速度慢的问题。由于At2vec模型无法捕获轨迹的长期依赖且难以提取多特征的关键元素,提出了一种基于分级注意力机制的轨迹相似度计算模型(At2vec+Atten)。该模型设计了点级、特征级和编码器级三层注意力机制,实现对轨迹点和特征数据的自动加权。采用LSTM网络改进Seq2Seq模型,从而学习出更深层的序列依赖关系。针对语言模型处理时空数据的缺陷提出一种数据预训练算法,以增强数据质量的方式完善模型。本文实验于纽约和洛杉矶两个轨迹数据集,结果表明At2vec模型在评价指标自相似性度量、交叉距离、KNN查询上效果均优于现有方法。而At2vec+Atten模型的实验结果证明其在At2vec模型基础上进一步提升相似度计算的精度。此外,模型对不同采样率的轨迹都能保持有效性,证明该方法很好地解决了异质性问题。