随着无线定位技术和大数据应用的快速发展,时空轨迹数据的获取变得越来越便捷,这为研究城市车辆时空分布特征提供了重要的数据支持。同时对出租车OD（Origin-Destination）数据集的分析为挖掘城市居民出行规律提供了新的思路,时空数据挖掘已经成为研究热点。本文基于OPTICS（Ordering points to identify the clustering structure）和时空约束的层次密度聚类算法对上海市出租车GPS轨迹数据进行聚类分析并应用,主要包括数据预处理、停留点检测、居民出行兴趣区域挖掘和车辆时空分布特征分析系统的设计与实现四个部分,主要工作内容如下:（1）利用OPTICS聚类和最短持续时间阈值检测停留点,实验表明算法能够识别任意形状簇,具有对参数不敏感的优势,能够高效地检测停留点;（2）针对现有的基于密度的聚类算法存在过度依赖参数以及忽略时空特征的问题,本文基于HDBSCAN算法重新定义了融合时空属性的度量方法,提出了时空约束的层次密度聚类算法。针对轨迹数据集,该算法存在消耗大量I/O和数据集的复杂性带来的聚类效果不佳的问题,本文提出一种分区算法,判断波峰与波谷的差值是否大于分区阈值来决定是否分区。改进后的算法具有处理密度分布不均匀的复杂数据集的能力,同时降低了内存消耗。实验结果表明,相比较传统的ST-DBSCAN算法,本文算法在更少的参数影响下对集群的检测效率更高,单个簇内的轨迹点数量明显多于传统算法检测结果,并且其稳定性指数在结果可解释性方面具有优势;（3）提取并分析城市兴趣区域。考虑到车辆轨迹受路网约束的因素,采用基于Epanechnikov函数的核密度估计（KDE）构建道路受限的兴趣区域。引入与POI（兴趣点）数据相结合的兴趣度系数,用于量化兴趣区域对居民出行的吸引力大小,使用上海市出租车的OD数据进行实验分析并可视化展示;（4）设计并实现了一个车辆时空分布特征分析系统。该系统针对上海市出租车GPS数据,实现了数据管理、车辆轨迹可视化、停留点检测、以及兴趣区域挖掘四个功能模块。系统能以可视化的方式呈现车辆时空分布特征,反映居民出行规律,能为城市交通规划和管理提供有用的信息。