随着定位技术和移动互联网技术的飞速发展,我们能够获取越来越多的移动对象位置信息;各种定位设备的不断小型化和普及化为我们获得位置信息提供了技术保障;近年来时空数据产生的速度越来越快,种类也越来越多;从海量的时空数据中挖掘出有用信息引起越来越多研究人员的关注。研究人员发现数据挖掘领域的聚类分析方法能够很好的挖掘出隐藏于复杂且海量的时空数据的知识和信息,本文主要研究了时空数据的轨迹聚类算法和通过时空数据构建用户相似性分析模型。文章根据轨迹数据的特点改进了传统的轨迹相似性度量方法,从三个角度和相似度对称性充分考虑了轨迹数据的特征,并且在经典聚类算法的基础上提出了通过提高聚类中心定位精度的方式改进了传统的密度聚类算法。该算法引入了截断距离和局部密度的概念,通过选取以截断距离为半径的领域范围内局部密度最大的点作为聚类中心,聚类更紧凑、合理,明显的提升了聚类效果。通过采集到的用户轨迹信息,本文设计出一种基于兴趣点和兴趣区域的用户相似性分析模型。首先通过时空聚类提取出用户的兴趣点,得到所有用户的兴趣点集合后通过兴趣点密度均值设定若干个层次,以不同的粒度对兴趣点进行聚类得到兴趣区域,有处于一个兴趣区域的兴趣点的用户被视为具有相似性行为模式,以上述思想为基础构建出基于兴趣点和兴趣区域的用户相似性矩阵。该方法全面考虑了时间和空间因素,并且通过分层次多粒度的方法提高了算法可靠性。通过在飓风和真实用户GPS数据集的实验表明,本文所提出的聚类算法能够使聚类更加紧凑合理,用户相似性分析模型能够较好的分析用户行为之间相似性。