人类的移动轨迹信息对于基于位置提供服务的应用具有重要意义,但是受到各种因素的影响可能得到的是不完整的轨迹,这会对下游任务（例如,轨迹匹配等）的性能产生影响,因此轨迹补全是一个亟待解决的问题。作为近年来一个比较新颖的研究方向,轨迹补全问题已经存在大量的相关研究,但是他们普遍存在以下三个问题。目前的模型大多采用循环神经网络来建模轨迹点之间的顺序关系,这使得各个位置之间存在的时空依赖性和轨迹中高阶复杂的移动模式难以捕捉,并且也难以对长时间的依赖关系建模。人类活动的周期性呈现出多层次的特点,以往的工作都忽视了这一点,只对周期性进行了简单的建模,没有充分利用多层次周期性来补全轨迹。此外,轨迹数据的稀疏特性给轨迹数据的建模带来了挑战。为了应对现有的挑战,本文提出一个基于图神经网络和注意力机制的人类移动轨迹补全模型用于人类移动轨迹的补全。具体来说,该模型包括位置嵌入向量表示模块,轨迹关系学习模块和轨迹恢复模块。其中位置嵌入向量模块为了降低数据稀疏性的影响,首先根据所有轨迹构造轨迹点之间的全局转移图,并使用图卷积神经网络将位置之间的大众化的转移关系嵌入到向量中,然后通过门控图神经网络对轨迹内个性化的转移关系进行建模。轨迹关系学习模块使用注意力机制分别对轨迹内和轨迹间的关系进行学习,使用自注意力机制捕捉轨迹内的移动模式,使用交叉注意力机制和软注意力机制捕捉轨迹间的多层次周期性。最后,轨迹恢复模块融合所有特征补全缺失的位置。此外本文还提出了一种新的损失函数将空间近似度用于模型的训练。实验部分将提出的模型在两个公开数据集上与基线模型就各项指标进行了对比,结果验证了模型的有效性,并且通过消融实验对模型的各部分进行分析,证明了模型结构上的的正确性。