近年来，随着GPS系统的不断发展，以及基于位置服务的普及，大量的时空数据在日常生活中日益积累，并为不同类型的应用所服务。由移动对象产生的时空数据被称作移动对象轨迹。如何从轨迹数据中提取出有价值的潜在信息，已经成为轨迹数据管理与挖掘领域的一个重要研究课题。模式发现作为轨迹数据研究领域的新方向，引起了人们的广泛关注。在众多类型的模式发现中，群集模式(flock pattern)与很多实际问题密切相关，如鸟类迁徙、交通调度等，从而成为当前模式研究中的热点之一。　　当前群集模式的研究中，移动对象必须出现整个模式周期中，不允许在某些时间片离开模式。然而，行人活动往往具有很大的自由性。在任意时间片，行人都有可能加入或离开一个群集模式。本论文在分析国内外群集模式相关研究工作的基础上，以行人GPS轨迹做为研究对象，针对当前研究中存在的若干问题，提出基于自由度的运动群集模式并给出相关提取算法。本文的研究工作主要分为以下几个部分:　　1)轨迹数据预处理。针对轨迹数据中存在的一系列问题，如信号丢失、随机噪音和误差等，在前人研究工作的基础上，给出本论文中的预处理方案。该方案主要分为三个步骤:奇异点去除、高斯平滑、缺失数据填补。　　2)基于自由度的运动群集模式及其提取算法。针对行人活动的特点，本论文提出一种基于自由度的运动群集模式，并给出相关提取算法。模式提取算法共分为四个步骤:空间近邻计算、移动对象自由性分析、自由度计算、剪枝。　　3)实验结果分析。本论文以真实场景中记录的行人GPS轨迹作为实验数据，进行群集模式的提取实验，并与真实场景中的聚集情况进行对比，讨论了群集模式定义中的四个参数对模式提取结果的影响。相关实验验证了群集模式提取算法的有效性和可行性。