随着各种无线通信网络和GPS传感器网络的不断发展，各种移动对象的轨迹数据大量地被收集，这些数据中隐藏了很多有用的知识，因此，非常有必要对这些数据进行有效的挖掘和分析。移动对象轨迹聚类能够从大量的轨迹中提取共同的轨迹模式，可以分析移动对象的共同行为；轨迹异常检测能够发现位置和方向上的异常轨迹，这些轨迹可能是需要研究的新现象。人工免疫作为一种新兴的优化算法已经越来越多地被研究，它是人工智能领域中重要的理论之一，将它的特性用到数据挖掘算法中，提升算法性能，并作为移动对象数据挖掘的方法，这在移动对象挖掘领域还是刚起步，它的研究和应用前途十分光明。本文主要工作如下：（1）分析TRACLUS轨迹聚类算法，发现对输入的密度阈值和距离阈值参数较敏感，也就是说不同的参数组合使得聚类结果差异很大，尤其重要的是轨迹线段是高维数据，更加扩大了参数的影响因子；另外，由于轨迹线段的距离是近似描述两者的位置关系，所以影响了聚类质量。这些缺陷一定程度上限制了TRACLUS算法的应用。为此，将基于人工免疫的密度聚类算法引入到移动对象轨迹挖掘，提出了AIBTC算法；该算法将核心轨迹线段看作抗体，不断通过克隆和变异更新抗体，发现TRACLUS算法忽视的部分轨迹簇。实验表明，在保证运行时间增加不多的同时，AIBTC算法能够获取更好的聚类结果。（2）由于TRAOD轨迹异常检测算法采用粗粒度划分和细粒度划分两个步骤分割一条轨迹，虽然通过第一步剪枝了不少细粒度线段的计算，但是轨迹数量庞大，所以算法的执行时间会较多；另外，每两条粗粒度的轨迹分段都需计算它们之间的垂直距离、平行距离、角度距离的上界值和下界值，尤其是角度距离，其计算公式复杂，计算量庞大。为此，将人工免疫理论引入轨迹异常检测，并设计了基于人工免疫的轨迹异常检测算法AIBTOD。算法只进行一次划分，将疑似异常线段的对象看做抗体，不断进行克隆和变异，得到的最终n个最佳抗体即为解。实验表明，AIBTOD算法不仅保证了异常检测质量，同时还具有较高的执行效率。