在现代社会中,各国间的贸易往来越发频繁,而由于陆路运输的载量,以及空运高昂的成本的问题,使得海运依旧是长距离货物运输的最主要途径。这使得在海面上活跃的船舶数量不断增加,海面航行环境越发复杂。面对这种新形势,使用大数据、人工智能相关技术,对大量通过船舶自动识别系统（AIS）收集的信息进行分析从而提高分析效率,确保航行安全的现代化方法受到了越来越多的关注。为了有效地针对大量船舶轨迹进行分析,需要对不同轨迹进行聚类操作。通过相似性度量,可以有效地将相似度较高的一部分轨迹进行归类,逐步划分出船舶正常航行轨迹的大致范围,从而对超出范围的异常轨迹进行针对性的监控和预警。因此,轨迹聚类可以很好地识别轨迹中常见的运动模式,是后续应用的基础。由于精度和效率会随着数据量增大而逐渐降低,传统的轨迹相似度计算方法不适用于海量数据。而现有的基于深度学习的方法大多基于时空序列特性,缺乏更全面的特征提取和融合。因此,本文旨在基于深度学习的方法上,挖掘更多有效特征,保证轨迹分析效率的同时,提高轨迹聚类的精度。取得良好的聚类结果后,推动轨迹异常检测、航线估计等进一步应用的发展,具有十分重要的研究价值和意义。本文阐述了多特征融合技术在船舶轨迹聚类领域的应用的研究背景和意义,对相关工作进行分析,主要研究船舶轨迹的固有特征和潜在特征的挖掘和运用,以及用于提取多特征的自编码器模型,提出了一个基于卷积自编码器的多特征融合方法,并在真实数据集上设计了相关实验。本文主要有以下研究工作:1.本文基于深度学习的方法提出了一种多特征提取融合模型。通过融合不同层次、尺度的特征,模型能够同时提取多种特征进行训练,实现特征互补,降低单一特征特有缺点对模型的影响。使用多特征融合方法,对船舶轨迹的位置、航向、天气等具有多重性和独立性的特征进行综合分析,更有利于把握全面的船舶航行模式。在该模型下,学习到的特征向量长度远小于原始数据的同时,保持了原始数据的主要信息,降低了计算复杂程度。2.本文设计了多个卷积自编码器（CAE）用于提取位置、航向、速度以及天气特征。相比现有的多特征融合模型,加入天气特征,促进了模型对船舶航行模式的进一步理解。本文在真实的船舶数据集上开展实验,并评估模型性能。实验结果表明,在经典轨迹聚类指标评判方面,精确率、准确率、召回率和F1值上分别达到73.33%、71.02%、71.70%和70.66%。相比传统方法和基于深度学习的多特征提取方法,至少有5-10%的提升。