随着各种网约车平台的蓬勃兴起,网约车犯罪率显著增加,而其行车轨迹往往表现出异常现象。针对此类问题,本文从道路消耗的角度出发,对基于轨迹压缩和路网划分的异常轨迹检测及增量式检测算法进行了深入的分析和研究。其主要研究内容如下:（1）本文提出了一种基于路网划分的车辆异常轨迹检测算法（Vehicle Anomalous Detection Based on Road Network Partition,RPATD）。首先,将建模重点由轨迹数据转移到道路本身,对道路消耗进行建模,同时兼顾时间和距离的影响,有效提高了检测结果的准确性;其次,通过地图匹配概率将轨迹映射到路网空间,有效提高了参与检测的数据质量;然后,依据道路节点将轨迹划分为轨迹段序列以支持道路消耗模型的构建;最后,提出并定义了消耗阈值矩阵的概念,扩大了算法检测的数据范围。（2）在上述内容研究的基础上,提出了一种基于轨迹压缩和路网划分的增量式车辆异常轨迹检测算法（Incremental Vehicle Abnormal Trajectory Detection Algorithm Based on Trajectory Compression and Road Network Partition,i-RPATD）。首先,通过对比不同的轨迹压缩算法,寻找压缩率高且误差小的压缩方法对轨迹进行压缩,减少了参与计算的轨迹数据量;其次,根据路段将轨迹数据分块存储,实现轨迹存储策略的优化,减少了调取轨迹数据所需的时间;最后,在新轨迹的进入和检测过程中对道路模型进行更新,实现了对新增异常轨迹的检测。本文中采用上海真实数据集验证了RPATD和i-RPATD算法的有效性;将RPATD与i BOAT、TRAOD、TADSS和TPRO算法进行对比,验证了RPATD具有更高的效率和准确性;并将i-RPATD与RPATD进行对比,证实了增量式道路建模是有意义的。