随着物联网技术的不断发展,现有的交通工具大都具有GPS定位设备。通过GPS定位设备,云端可以获得移动对象的出行轨迹数据。大量的轨迹数据为交通规划提供了重要的分析基础,具有潜在的商业价值。如何充分挖掘时空轨迹数据的模式信息,使其应用于交通规划、路径推荐等应用,是目前亟待解决的问题。本文为了充分挖掘轨迹数据的模式信息,进行轨迹数据的模式分类任务和轨迹模式的异常检测任务。其中,轨迹数据的模式分类任务致力于提取轨迹数据的时间和空间信息。轨迹模式的异常检测任务用于挖掘轨迹模式之间的差异信息。为了确保深度学习在轨迹模式分类领域的安全性,本文进行时空轨迹数据的对抗样本研究。本文的主要研究内容如下所示。对于轨迹模式分类任务,本文提出基于深度特征融合的轨迹模式分类模型。该模型从轨迹数据的不同粒度进行浅层特征的提取;根据浅层特征,构建不同的卷积网络进行深度特征的提取;通过多头注意力机制、深度特征融合层和全连接层进行轨迹模式分类。实验结果显示深度特征融合模型具有较高的准确度;轨迹数据的局部特征、轨迹嵌入向量包含较多的轨迹数据信息。为了挖掘轨迹模式之间的差异信息,本文提出基于LSTM（Long short-term memory）自编码器的无监督异常检测模型。该模型利用LSTM网络捕捉轨迹数据的时序信息。实验结果显示异常检测模型可以充分学习到正常轨迹模式的信息,并检测出其他类型的轨迹模式。针对深度学习在轨迹数据领域的安全性问题,本文提出在轨迹模式分类领域的对抗样本研究。该研究设计卷积自编码器转换轨迹模式数据为图片数据格式;利用图片格式数据训练深度轨迹模式分类模型;根据训练完成的深度模型和轨迹模式数据,利用FGSM（Fast Gradient Sign Method）算法生成对抗样本。实验结果显示在轨迹模式分类领域广泛存在对抗样本。为了探究是否可以直接基于轨迹数据生成对抗样本,基于原始的轨迹数据和浅层的卷积神经网络,本文进行白盒攻击和黑盒攻击实验。实验结果显示在原始的轨迹数据上可以成功的生成对抗样本。为了提高深度轨迹模式分类模型的防御能力,本文进行对抗性训练改善了深度模型的鲁棒性。