随着移动终端和定位技术的发展,服务端存储能力提升,越来越多的时空数据可以被精确地采集和存储,为基于时空数据的应用发展提供了坚实的基础。其中,轨迹数据是由移动物体产生的一系列时空数据,对于轨迹数据的分析和挖掘能够给人们日常的出行带来一系列便利,比如导航、路径推荐、智能交通等等。其中,对于轨迹数据的异常检测能够从海量的数据当中发现可能存在的异常行为,对于规范轨迹数据产生方的行为具有积极意义。目前,关于轨迹数据的异常检测工作存在以下关键点。首先,随着定位技术以及存储能力的提升,轨迹数据存储量往往非常大,需要一种高效的检测框架来应对海量的轨迹数据。其次,轨迹数据通常是无标签数据,且异常样本往往非常稀少,所以轨迹异常检测可以归结为一类不平衡样本的分类问题,需要一种无监督或者半监督的算法作为基础。第三,轨迹的异常检测往往是应用相关的,不同应用需要一些特定的算法才能产生好的效果。最后,面向实际的应用场景,轨迹异常检测算法需要设计成具有实时检测的特性,以满足线上能够高效检测的需求。本文针对出租车欺诈行为和船舶清淤作业两个具体的应用场景,分别提出一种无监督和半监督的实时异常检测算法。具体来说,在出租车轨迹的异常检测工作中,本文提出了一种基于时空规律的实时异常算法STL。该算法通过历史轨迹数据学习得到两个时空模型:一个表示行驶距离与位移之间的关系,另一个表示行驶时间与位移之间的关系。通过训练后的模型,对于某个待检测点的位移,如果该点对应的行驶距离或者行驶时间都不在正常范围内,则该点被判定为异常。在船舶清淤作业的异常检测工作中,本文提出了一个基于自动识别系统（AIS）数据的船舶清淤作业异常检测方法DOAD,用于检测船舶在清淤过程当中的异常抛泥行为。该方法首先建立了一个特征系统,从轨迹数据中提取有效的行为特征。接着,该方法联合使用基于t-SNE的神经网络和高斯混合模型来训练一个半监督的检测模型。通过训练后的模型,异常行为可以在清淤作业中被实时地检测。实验结果表明,出租车轨迹的异常检测算法STL与现有的方法相比更为精确,误报更少。船舶清淤作业的异常检测方法DOAD能够有效的完成异常行为的检测工作。