公共安全是智慧城市建设的重要组成部分，也是国家反恐维稳的重大实际需求。随着城市化进程的加快和城市人口密度的加大，人为因素造成的公共安全事件逐渐增加，例如聚集踩踏、非法集会、恐怖袭击等，严重危害人民群众的生命财产安全和社会稳定。因此，城市公共安全异常检测成为公共安全研究的重要问题。　　目前视频监控广泛应用在城市安全中，但基于视频分析的异常检测存在覆盖范围小、环境影响大等不足，难以对城市的整体社会态势进行全面有效的判断。随着物联网感知技术和智能终端的发展，城市中人、车、物等大量移动对象产生了大规模的行为轨迹数据，如人群出入社区记录、公交乘车数据、车辆GPS数据等。基于大规模行为轨迹数据检测公共安全异常已经受到关注，但相关研究还处于起步阶段。　　城市活动的主体是人，车辆是人活动的载体，广场、景点、道路等城市设施是人活动的空间范围，往往是公共安全事件发生的地点。人群向城市设施短时间大量聚集可能引起踩踏事件，道路交通流量异常、个人出行轨迹异常等都有可能预示着事件的发生。因此，本文以人的行为轨迹为主体，以城市设施、道路和人群为研究对象，研究公共安全异常事件的检测机制。本文的主要贡献如下:　　在城市设施人群聚集分析方面，本文给出了基于移动目标的城市设施聚集度的概念，提出了基于网格索引的城市设施聚集度快速计算方法，通过网格索引预先建立移动目标、网格和城市设施的隶属关系，减小了实时计算时最近邻查询的开销;并进一步提出了基于贝叶斯-马尔科夫链的城市设施聚集度预测方法，通过融合历史轨迹数据的特征，提高预测的准确性。实验结果验证了所提方法的有效性和高效性。　　在道路交通异常检测方面，本文给出了自演化异常和环境演化异常两种道路交通异常的定义，提出了基于细粒度车辆轨迹的道路交通异常检测算法。针对车辆GPS数据的稀疏性问题，通过融合动态环境特征和司机个性化偏好特征，提出了一种鲁棒的车辆轨迹重建模型。实验显示提出的轨迹重建和道路异常检测算法的准确率高于现有方法。　　在群体行为异常检测方面，基于行为轨迹数据的多视图特点,给出了群体异常的度量标准，提出了一种基于非参数贝叶斯的多视图群体异常检测算法。多视图群体异常即在某些视图上行为模式与其他群体相背离的群体。提出的算法解决了不同视图下群体聚类结构的不一致性问题，更准确刻画了群体的行为模式。合成数据集和真实数据集上的实验表明，提出的算法具有更高的准确率和更低的误报率。　　综上，本论文利用行为轨迹数据，面向城市设施、道路和人群，提出了检测城市设施人群聚集异常、道路交通异常及多视图群体异常一系列算法，并通过理论分析和大量实验验证它们的有效性，为城市公共安全异常检测提供重要的理论和技术支撑。