随着时间的推移,移动对象会生成海量的轨迹数据。同时,这些轨迹数据包含空间和时间属性,通过这两个维度的属性,可以描述特定对象在某一时间范围内的运动行为。在运动物体生成的海量轨迹中,受到位置采集器噪声、物体遮挡等因素的影响,需要进行复杂的预处理过程才能获得有效的轨迹。不断增长的轨迹数据导致轨迹的长度在不断增加,轨迹分段的目的是将长轨迹通过合理的切分将其变为短轨迹,轨迹分段不仅降低了后续计算的复杂度,同时能够为轨迹提供更加丰富的语义知识。现有的轨迹异常点过滤方法通常只能过滤单个异常点,当出现连续异常点时过滤效果不佳,现有的轨迹分段方法通常针对特定应用,可迁移性较差。因此,本文从轨迹异常点过滤和轨迹分段两方面进行了详细的研究工作,设计并实现了轨迹异常点过滤算法和轨迹分段算法。具体有如下三方面:（1）提出了一种基于寻找轨迹中稳定子轨迹段的轨迹异常点过滤方法。首先,该方法依据速度和角度变化寻找轨迹中存在的稳定子轨迹,然后从各个稳定子轨迹段向相邻两侧寻找和该稳定的子轨迹段运动行为类似的轨迹点并加入该子轨迹段,最后再将各个稳定子轨迹段合并就完成了轨迹的过滤工作。（2）本文提出了一种反应式无监督轨迹分段方法REGRASP。将轨迹本身属性作为特征,并以此为基础定义了衡量轨迹段内部同质性和相邻轨迹段间特征距离的损失函数。基于该方法的轨迹分段过程如下:首先随机添加轨迹段,并将该轨迹段根据损失函数向两侧扩展到最小长度,然后遍历段之间的未分配点将其划分,最后,所有的段在临近段中局部搜索最佳分段点。实验结果表明,本文提出的轨迹分段方法与已有的无监督分段方法相比,能够反应式调节关键参数,并能够通过过滤和早停策略加速迭代过程并评判是否继续搜索更优解,无需先验知识设置阈值并且提高了算法运行效率。在分段结果上来看,还原原始标注轨迹方面,本算法较另外两种算法有较大优势,但同时轨迹段纯净度略低于另外两种算法。（3）设计和实现了大数据环境下面向轨迹分段的轨迹数据管理原型系统。系统使用Hadoop框架下的Map Reduce作为计算引擎,存储轨迹数据的数据库使用HBase,实现了轨迹数据的管理和可视化展示查询轨迹的结果。