为了从海量船舶自动识别系统（Automatic Identification System,AIS）数据中充分挖掘出潜藏的船舶行为规律,本研究综合考虑船位（经度和纬度）、对地航速（Speed Over Ground,SOG）、对地航向（Course Over Ground,COG）、时间、船型、船长等影响船舶行为的因素,并使用关联规则挖掘技术将以上因素串联起来,发现AIS数据中蕴涵的船舶正常行为客观规律,以此为标准,进行繁杂水域中少量船舶轨迹的异常行为检测,为保障船舶的水上航行安全提供新的思路。本研究利用历史AIS数据,以船舶行为为研究对象,结合船舶行为领域知识,改进关联规则挖掘算法对船舶异常行为检测的问题进行研究分析。具体的工作内容如下。（1）结合关联规则挖掘技术对数据的要求,对老铁山水域一年的历史AIS数据进行数据预处理,包括数据清洗、数据选择和数据离散化等,并单独分析了船型、船长和船籍与船舶行为的关联。在此基础上将影响船舶行为的要素分为了船舶运动要素（SOG、航速变化、COG和航向变化）、航行环境要素（船位、航行季节和航行时段）和船舶属性要素（船型、船长和船籍）,提出了一套适用于关联规则挖掘的多要素船舶行为表示模型（Multi-element Vessel Behavior Representation Model,MVBRM）。（2）使用关联规则挖掘算法挖掘历史AIS数据中隐藏的船舶行为客观规律。基于轨迹点进行频繁模式挖掘,使用网格划分技术将水域划分为若干个网格单元,以频繁模式增长算法（Frequent-Pattern Growth,FP-growth）分别挖掘每个网格单元内的轨迹点中蕴涵的船舶行为知识;基于轨迹进行频繁序列模式挖掘,对水域内的所有轨迹进行重编码,使用改进的FP-growth算法挖掘水域内轨迹间蕴涵的船舶行为知识。最后,使用老铁山水域的AIS历史数据进行关联规则挖掘实验,验证该方法的有效性及可行性。（3）构建了一种基于关联规则挖掘方法的船舶异常行为检测框架。该框架将挖掘出的船舶行为客观规律视作船舶正常行为标准并以此建立船舶正常行为规则库,对待测数据进行预处理、行为特征提取和关联规则挖掘,通过类关联规则分类器从正常行为规则库中提取相应的类关联规则进行规则匹配,完成船舶异常行为的检测,最后导入测试集数据验证方法的有效性。结果表明,该方法对老铁山繁杂水域内少量测试集数据的已知异常行为检测率为100%,对大量测试集数据的检测率受异常轨迹占正常轨迹比例的影响,随着异常行为轨迹占比的增加,检测率逐渐增加,在占比20%时检测率达到92%且趋于稳定。结果表明,本文所提出的方法能够有效地检测出繁杂水域的船舶异常行为。