传统的海上交通人工监控方式效率低、缺乏针对性,且无法满足交通流量较大海域的监控需求。本文以AIS大数据为对象,围绕船舶时空轨迹数据挖掘的若干核心问题,探讨应用机器学习、深度学习算法等技术实现高准确性AIS数据挖掘与分析的新理论和新方法,力求从海量船舶轨迹数据中获取有助于提高船舶航行安全保障的信息,为提升海事智能监管能力提供科学支持。本文围绕船舶轨迹异常检测进行了如下研究:（1）AIS轨迹数据质量维护。原始AIS数据受地貌地形、气象环境、无线电干扰等环境因素和AIS系统本身的硬件限制,在播发、传输、储存过程中会产生大量异变噪声数据,数据可靠性明显降低。本文以天津港AIS数据为研究对象,对其中异常数据的成因及特征进行总结和归纳,建立了AIS质量管理维护方法,为后续AIS数据挖掘提供良好的数据保障。（2）基于机器学习的船舶常态轨迹模型提取。选用DTW相似性度量算法和DBSCAN密度聚类算法进行船舶常态轨迹轨迹聚类提取。考虑船舶轨迹特性,针对DTW距离在船舶轨迹相似性度量方面的不足进行了改进,设计了聚类效果对比实验,并结合天津港航路分布分析验证了本文所用聚类方法的优越性。（3）基于深度神经网络的船舶轨迹异常检测。考虑AIS轨迹数据特性,建立了基于BiGRU循环神经网络的船舶轨迹预测模型,解决了普通RNN梯度消失及梯度爆炸的问题,使预测模型能同时考虑轨迹数据的双向信息,有效提高了船舶轨迹预测精度。将轨迹异常检测标准转化为与常态预测轨迹的特征偏差值,避免了复杂的参数设置,该方法实时性强、检测精度高。本文提出了以AIS轨迹数据为驱动,船舶轨迹聚类类簇为常态模型,以BiGRU深度神经网络为异常检测工具的一套船舶轨迹异常检测方法。在此基础上,基于船舶操纵模拟器生成实验异常轨迹,进行船舶轨迹异常检测实验,并与GRU循环神经网络和LSTM循环神经网络轨迹异常检测模型进行对比,进一步验证了本文所提船舶轨迹异常检测方法的优越性。