随着智能设备的不断发展改进以及定位设备的不断普及,移动设备所产生的数据量逐步增多,为轨迹的数据挖掘奠定了坚实的基础。挖掘出隐藏于事物自身的运行规律,将其应用到人们的日常生活中,例如导航、车流量预测、路网更新和城市智慧交通发展等方面。当前,在轨迹数据挖掘中轨迹异常检测不断引起重视,将采集到的历史轨迹进行不断的分析可以得到隐藏于其中的轨迹运行模式,判断轨迹是否存在异常。当前,轨迹数据挖掘中的异常检测不断发展,涉及到不同方面的工作。第一,轨迹数据随着时间的推进不断产生,所以轨迹数据被大量的收集储存,需要有更加高效的方法对大量的轨迹数据进行处理。第二,轨迹数据的异常检测会应用于不同的场景,不同的环境对异常的定义不同,所以需要根据其自身的应用特点挖掘不同的检测算法。第三,挖掘出的检测模型在应用时,需要面临诸多复杂的场景,以及能够高效的完成线上的检测任务。基于当前异常轨迹检测的发展,本文的主要研究内容如下:（1）整理了异常检测的系统框架,展示了进行异常检测时从数据处理开始到其应用的全部过程。然后根据车辆异常轨迹检测研究现状进行了整体框架的书写。（2）针对轨迹数据的时空特性,本文将从时间和空间上对轨迹进行综合检测。从轨迹时间合理性和轨迹空间合理性对历史数据进行模型提取,从时间检测模型和空间检测模型两个方面对轨迹进行综合的异常检测。（3）针对车辆轨迹的可预测性,本文将从终点预测的方面对轨迹进行异常检测。首先,在车辆轨迹分段中,将现有的MDL算法进行改进使之更适合于车辆轨迹分段。其次,在均匀网格划分的基础上结合车辆轨迹数据的特点进行不均匀网格的划分。最后,使用Markov预测对车辆轨迹的终点进行预测,将预测的结果与真实的终点进行对比,实现轨迹的异常检测。实验结果表明,基于时间和空间的检测模型在一定程度上提高了异常检测的准确率,证明了检测模型具有一定的意义;本文将终点预测技术应用到了轨迹异常检测阶段,在进行一定改进后,证明了预测技术在异常检测阶段具有一定的可行性。