伴随着世界各国间的贸易量增长以及水路运输行业的迅速发展,各类船舶的数量日益增长。有关船舶自动识别系统（Automatic Identification System,AIS）数据挖掘领域的各类研究也呈现出活跃的趋势,对AIS数据进行数据挖掘分析,可以得出大量水路运输的数据特征。同时,数据挖掘分析的准确性与数据源的数据质量关系密切,合理设计数据质量评价方法获取高质量的数据,才能挖掘出更加准确的数据特征。本文在数据质量评价理论与数据挖掘理论的基础上,使用Python语言搭建相应的算法模型。采取了理论研究与实验分析结合的方法,重点研究了基于AIS数据的数据质量评价方法与轨迹聚类方法,主要工作如下:1)为了给后续的数据挖掘研究提供更优质的数据,并且弥补AIS数据缺少一项针对AIS数据应用特性的数据质量评价方法的不足。设计并提出了基于数据处理的船舶数据质量评价方法。通过研究AIS数据应用的场景,确立完整性、连续性、时效性三项数据质量评价指标;通过对AIS数据进行数据处理与数据分析,构建数据质量评价模型,大量分析数据发现数据问题,为后续的轨迹聚类研究提供优质数据。2)为了验证所提基于数据处理的船舶数据质量评价方法的准确性,使用数据质量评价模型分别处理卫星AIS数据与岸基AIS数据,通过分析对比这两类数据的综合质量评分以及数据可视化结果来验证本文所提出的数据质量评价方法的准确性。3)为了解决传统轨迹聚类模型的轨迹相似度度量算法以及典型提取轨迹算法中存在的弊端。设计并提出了基于曲线长度（Curve Length,CL）距离的船舶轨迹段聚类模型。通过寻找航向变化率和航速变化率特征点,压缩与划分轨迹段;研究了当前常用轨迹相似度度量的缺陷并改进了传统轨迹间相似度度量算法,不仅体现了轨迹相似度度量的内部连通性,还提高了运算效率;搭建了轨迹段聚类模型并完成聚类分析;改进了传统典型轨迹提取算法,使得典型轨迹包含更完善的簇内特征。4)为了验证所提基于曲线长度距离的船舶轨迹段聚类方法的准确性与优越性,以长江入海口的一处分叉航线作为实验区域。通过对比电子海图规定航道与该算法的聚类结果以验证其准确性,通过对比该算法与当前常用算法的聚类效果和执行效率以验证其优越性。