全球定位技术、传感器技术、智能移动终端的快速发展,积累了大量的轨迹数据,使得轨迹数据所包含的信息更加丰富。轨迹中除了原有的时空信息以外还包含了许多其他类型的信息,例如,文本、图片、视频、音频等,这些信息均可作为轨迹属性。这类轨迹被称为多属性轨迹。对多属性轨迹进行分析和挖掘具有巨大的应用价值,如交通路线规划、城市规划、商业选址等。本文主要工作包括:首先,总结归纳了轨迹大数据的高维异构、多粒度、不确定、高冗余的特点。归纳总结了轨迹相似性度量的研究现状,依据不同的数据类型,就经典的空间相似性、文本相似性和时间相似性的评价方法分别进行了说明和总结;归纳总结了推荐方法的研究现状,就轨迹推荐中常用的基于协同过滤的推荐方法、基于模型的推荐方法进行了总结和概括。其次,针对大部分轨迹相似性工作仅关注轨迹的时空信息,仅有少数工作考虑到轨迹中其他类型信息的问题,提出了两种轨迹相似性度量方法MMTD(最大-最小距离)和SUMTD(最小轨迹距离之和)。结合真实轨迹数据分析了轨迹时空相似性和文本相似性之间的相关性。利用模拟数据验证了相似性度量方法对轨迹变换的敏感度。基于真实和模拟数据将所提的相似性度量方法应用在聚类中,并将聚类结果进行了可视化。再次,现有的轨迹推荐方法通常考虑一定的代价标准,如最短距离、最小时间、地点流行度等因素,忽略了用户需求或需要用户精确提供位置点或需求信息,增加了用户负担。针对此问题,提出了两种用户行为概率学习方法,一个是基于矩阵分解的用户行为概率学习方法,另一个是基于多因素概率密度函数的用户行为概率学习方法。基于用户行为概率进行轨迹推荐,并利用真实的轨迹数据进行实验,验证了算法的有效性。最后,利用真实的Foursquare数据集进行实验和验证,结果表明所提相似性度量算法能够衡量轨迹的时空-文本相似性,基于用户行为学习的轨迹推荐方法能够提高推荐的准确性。在未来的工作中,可以将所提方法进行改进应用于用户群体识别、好友推荐或旅游路线推荐系统中,提高用户满意度和推荐的准确度。