近年来,随着定位技术与导航技术的不断发展,人们对路网数据的现势性和准确性的要求逐渐增高,且由于路网数据更新频繁,需要选取准确高效的手段对其进行更新。浮动车轨迹数据蕴含着丰富的路网信息,适用于路网数据的实时性更新,如何利用海量轨迹数据进行路网信息的提取与更新显得至关重要。本文在分析国内外相关研究的现状和进展的基础上,针对已有研究的不足提出了一种浮动车轨迹与道路网的快速匹配以及路网数据更新算法。主要研究内容和创新点如下:（1）研究了轨迹数据的预处理方法。原始轨迹数据质量参差不齐,存在较多噪声,首先对其进行降噪、轨迹分割等处理,并对路网数据进行交叉点分割与拓扑关系重建,以及空间索引的建立。（2）提出了考虑道路交叉口的轨迹数据抽稀算法并优化了Dijkstra算法。在进行轨迹与路网数据的HMM匹配过程中,首先需要对每个轨迹点获取候选路段与候选匹配点,然后进行观测概率、转移概率、联合概率的计算并通过Viterbi算法求解以获得最优匹配路径。为提高算法效率,同时考虑路网的拓扑特征,避免携带重要路网信息的轨迹点数据被去除,提出了考虑道路交叉口的轨迹数据抽稀算法。在转移概率计算过程中涉及到大量的最短路径距离的计算,是造成算法效率不高的主要原因,引入了堆优化的思想,基于矩形限制搜索区域,对Dijkstra算法进行了优化,以提高匹配整体效率。（3）研究了相似轨迹数据识别与融合算法。对于没有成功匹配的轨迹点,需将其连为轨迹线并逐条进行相似轨迹的识别,对路网匹配中的部分匹配算法进行改进并用于相似轨迹数据的识别,对识别出的相似轨迹数据构建基于线约束的Delaunay三角网,基于三角网对其进行融合从而提取出新增道路,实现对已有路网数据的增量更新,新增道路的可信度可从其顶点的权重中体现。（4）使用C#编程语言实现本文算法并进行实验,实验结果表明算法能较好地进行轨迹与路网数据的快速匹配以及新增路网数据的提取。