随着智能手机等便携式GPS设备的普及,高效地收集包含丰富时空信息的旅客GPS数据成为可能。对大量的旅客GPS数据进行轨迹挖掘,一方面有助于管理部门理解城市旅客的出行模式,为交通调度、城市规划等宏观政策提供支持;另一方面,也能够帮助描绘旅客画像,服务于基于位置的广告推荐、旅客目的地预测等任务。本文针对GPS轨迹挖掘中的旅客轨迹分段、交通模式识别和目的地预测三个关键问题展开研究。主要贡献如下:（1）提出了一种融合时空特征的轨迹分段模型STCPD（Spatial-Temporal Change Points Detect）。该模型提取GPS记录点的空间形态特征和时序运动特征并利用多视图深度网络识别候选分段点,进而通过均值滤波和均值漂移聚类筛选分段点。通过实验分析,STCPD的分段点识别F1分数相对于基线算法有所提升。（2）提出了一种融合地理信息的半监督交通模式识别模型Geo SDVA（Geoinformation Semi-supervised Dirichlet Auto-Encoder）。该模型结合轨迹运动与周围地理信息构建轨迹特征,并通过基于变分自编码器的半监督模型利用大量无标签轨迹与少量有标签轨迹实现对轨迹交通模式的识别。经实验分析,Geo SDVA的交通模式识别准确率在两个真实GPS数据集上相对于基线算法有所提升。（3）提出了一种融合区域语义和出行交通模式的旅客目的地预测模型SEDP（Semantic Embedding Destination Prediction）。该模型利用预训练模型从已知旅客轨迹中提取语义特征,结合历史热门目的地利用并行Bi-GRU模型预测旅客目的地。经实验分析,在两个真实GPS数据集上SEDP的目的地预测MHD误差相较于基线算法有所降低。综上所述,本文围绕轨迹挖掘中的关键性任务,提出STCPD模型通过融合时空特征,提升了基于旅客行为的轨迹分段的分段性能;提出交通模式识别模型Geo SDVA,通过变分自编码器解决了带标签轨迹数量稀少的交通模式识别问题;提出目的地预测模型SEDP,通过结合语义特征更为精确地预测旅客目的地。本文研究可以应用于交通规划和旅游管理等领域,具有实际意义。