在“互联网+”的推动下,移动互联网、大数据和物联网等产业规模在加速增长,在产业的带动下,移动端设备的社交应用程序与位置服务平台为广大用户提供了更加高效便利的服务。同时,用户也会提供具有相应隐藏价值的数据。其中,用户的移动轨迹就是比较重要的数据,是由时间特征、空间特征等组合而成的复杂结构数据,数据之中往往隐含着用户的行为习惯、出行规律及生活节奏等丰富信息。但随着爆炸式增长的数据带来的问题诸如怎样高效处理并利用这些包含着地理位置、移动时间、速度等丰富信息的轨迹数据,加之轨迹数据本身结构复杂,其处理手段也是难上加难。但如今,随着人工智能行业的蓬勃发展,机器学习与深度学习为数据分析提供了优质的解决方案,从而可以高效地从轨迹数据中挖掘出有价值的潜在信息。其中,聚类算法作为机器学习与数据挖掘领域中的一个重要算法,也常常被应用在数据挖掘领域当中。基于此背景,本文结合深度学习技术处理轨迹数据,并对处理后的数据进行聚类分析。本文在针对轨迹数据的预处理上,使用机器学习领域的多种特征工程手段来去除数据中的干扰因素。本文使用深度学习方法来提取轨迹数据中的潜在结构信息。具体来讲,构建深度自编码神经网络(Deep AutoEncoder Neural Networks),让网络去学习数据分布中最显著的特征,降低数据的结构复杂程度并且还能降低数据的维度;在聚类算法实验中,本文根据数据特性选择算法核心的度量公式,最后使用基于密度聚类的DBSCAN聚类算法进行轨迹特征的聚类分析实验。