本文针对船舶异常轨迹检测领域当中方法的选取缺乏专业性适用环境分析,不同方法对轨迹异常衡量标准不一致等问题,基于船舶自动识别系统（Automatic Identification System,AIS）提供的真实船舶动态数据开展异常轨迹检测研究。所采用的主要研究方法为:首先基于规则进行数据清洗,删除由通信故障等原因引起的错误数据,建立AIS轨迹数据结构化存储、轨迹数据查询和修改关系数据库,运用轨迹重构方法修复丢失的数据片段,编写道格拉斯-普克算法（Douglas-Peucker Algorithm,DP）对轨迹数据进行抽稀,融合异常轨迹构建用于检测的异常轨迹混合样本,使用地理信息技术实现对AIS数据坐标转换、轨迹速度热力分析与可视化等;再结合轨迹特征分析,分别构建融合异常轨迹界定规则的孤立森林（Isolation Forest,i Forest）、局部异常因子（Local Outlier Factor,LOF）对轨迹数据进行异常检测的算法,采用准确率（Accuracy Rate,AR）、误报率（False Alarm Rate,FAR）、查准率（Precision Rate,PR）、召回率（Recall Rate,RR）这4个异常检测专业指标计算不同算法对轨迹数据的检测结果,并使用接受者操作特征曲线（Receiver Operating Characteristic Curve,ROC）和准确召回曲线（Precision Recall Curve,PRC）衡量2种算法的综合性能,并结合检测结果给出方法选取的适用性建议。结果显示:i Forest准确度为0.9039,适合于港口水域等短距离完整船舶轨迹机动过程的检测;LOF准确度为0.8755,适合于存在游艇、渔船等速度较高的小船艇所在的高速海域。不同算法得到的结果不同,原因在于不同算法需要适配不同特征的海域,因此需要结合海域内船舶特征选取相适应的方法。主要研究工作为:（1）针对轨迹异常的界定,提出使用连续异常点占比界定异常轨迹的准则,并基于所提出的准则将LOF算法引入水上交通进行船舶轨迹异常检测研究;（2）提出使用轨迹重构中对高倍重构比及箱形图分析进行异常轨迹初探的思想,并针对LOF阈值选取不确定性,提出基于频次分配的LOF箱形图阈值推荐方法。本课题研究为海上船舶异常检测方法选取提供了一定的参考依据,为异常轨迹的界定提供了借鉴基础,能够降低对检测方法选择的盲目性,使得船舶轨迹异常检测在算法选择上结合使用环境更具有针对性,从而提高轨迹异常检测准确度。