随着移动互联网与传感器技术的日趋成熟,人们对实时位置数据的获取更加便捷,由此移动对象轨迹数据的获取变得越来越容易,从而积累了大量的轨迹数据。这些轨迹数据中蕴含着大量反映移动对象行为规律的有价值的信息。聚类是一种挖掘轨迹数据常用的、基础的方法,可以发现具有相同或相似特征的轨迹,为轨迹的异常检测、智能交通预测等应用奠定基础。本文深入研究了融合轨迹多种特征的高效聚类方法,充分考虑轨迹数据的时空特征和运动属性,结合K均值（K-Means）、局部异常因子（LOF,Local Outlier Factor）、变色龙（Chameleon）等算法,在Map Reduce框架的支持下,设计并实现了大规模车辆轨迹数据的并行和增量聚类算法,在提高轨迹数据聚类分析准确度的同时,大大提高了大规模轨迹数据的聚类效率。本文的主要研究内容包括如下三个方面:（1）针对车辆轨迹聚类过程中轨迹属性考虑不全面、融合不充分导致的轨迹相似度度量不能充分体现轨迹特征的问题,提出了基于轨迹多特征融合的FK-Means聚类算法,该算法是将离散Fréchet（弗雷歇）距离度量方法与K-Means算法相结合,融合轨迹多属性来计算轨迹间的相似度,解决了具有多属性特征的车辆轨迹聚类问题。实验结果表明,提出的方法对于发现轨迹数据的共同特征具有更好的效果。（2）针对大量轨迹数据在聚类分析时效率较低的问题,提出了基于Map Reduce框架的FK-Means-LOF算法,该算法首先使用Map Reduce框架实现FK-Means算法的并行化处理,然后使用改进的LOF算法对并行化聚类得到的结果进行优化,提高并行化过程导致的全部聚类准确度下降的问题。实验结果表明,该算法在保证轨迹聚类过程全局精度的前提下,有效提高了大规模轨迹数据的聚类效率。（3）针对轨迹数据更新快而传统聚类算法不能局部高效重聚类的问题,提出了面向轨迹数据的增量聚类的模型与其实现算法FK-Means-DC,该算法主要分为两个阶段,第一阶段使用FK-Means算法对轨迹数据进行聚类,第二阶段是将变色龙算法与双向广度优先搜索算法（DBFS,Double breadth First Search）算法组合来整合聚类结果,避免少量新增轨迹导致的所有轨迹数据重聚类消耗,提高轨迹聚类分析的效率。实验结果表明,提出的局部增量聚类算法具有较好的泛化能力,有助于时延敏感型聚类分析项目的应用。