大数据时代背景下,数据缺失是许多领域都存在的问题。在交通、电力、医学等领域,已有许多专家学者对缺失数据的处理进行了积极的研究,研究中还发现交通领域下的缺失数据复原方法能够扩展应用于其他领域。交通轨迹数据属于交通大数据的一种,为包括智能交通系统、城市交通规划和无人驾驶技术等许多潜在领域提供了不可或缺的数据基础。高质量的轨迹数据必须保证其完整性和有效性。然而,在数据的采集传输过程中,容易受到通信不稳定、定位误差和低采样率等影响,使数据出现缺失和错误。这种不完整的数据会导致信息受损,给后续与轨迹相关的各项工作和研究带来不利影响。可见,数据缺失问题仍是当前交通领域亟待解决的难题。因此,在复杂的城市道路环境下实现交通缺失轨迹数据复原,对城市的发展建设具有重要的现实意义。本文以福建省交通运输厅提供的轨迹数据集为研究对象,基于深度学习构建了两种缺失轨迹数据复原方法,通过实验证明了方法的有效性。本文主要工作内容包括:（1）城市道路网络建模和数据预处理。首先选取福州市城区作为研究区域,基于真实道路网络并利用图论对城市道路拓扑结构进行建模和优化。然后,以真实轨迹数据集为研究对象,深入分析轨迹点的分布特性,为之后建立特征学习方法提供参考。最后为了提高数据质量和适应轨迹复原任务,对数据进行预处理工作,为后续研究提供良好的数据基础。（2）提出了一种基于序列编解码模型的缺失轨迹复原方法。模型中以长短时记忆神经网络构建Seq2Seq框架,通过轨迹嵌入实现轨迹向量的构建,并引入时空注意力机制,以增强模型对轨迹时空特征的学习能力。还通过一个潜在因素模块实现了对外源影响因素的特征提取,提升了特定场景中轨迹复原的可靠性。最后,基于真实轨迹数据集和福州市真实道路网络信息进行了数值实验,结果证明了该方法在多种数据缺失场景下的有效性。（3）为了解决原始Seq2Seq框架下依赖于已经观测到的序列,而无法对从未观测到的路段进行调节来影响对缺失位置的复原,进一步提出了基于生成式对抗网络的缺失轨迹复原方法。进一步构建了生成式对抗网络框架,实现对轨迹序列整体分布特征的自适应学习。同时,引入强化学习机制,通过策略梯度法来训练模型中的生成网络,避免模型陷入局部最优。并通过一个评价网络对判别网络的工作进行评价,以提高模型训练效率。实验结果表明,模型的复原性能得到了进一步提升。