近年来,随着移动技术的广泛应用,面向移动对象的密度查询技术越来越受到研究者的重视。密度查询返回空间区域内未来某时刻对象数量超过给定阈值的结果,广泛应用于拥挤区域的发现、交通控制系统、动物行为监控和资源规划等方面。虽然,目前时空查询技术取得了很大成就和进展,.但关于移动对象的密度查询技术还有待进一步深入。另外,在大数据环境下,数据的稀疏性问题也同时存在,这种数据分布的不均衡性也给密度查询带来了新的挑战。针对上述问题本文针对移动对象的密度查询技术以及多维数据的稀疏性进行研究,主要工作包括以下几个方面:首先,在密度查询区域选择方面,如果查询范围为空间中所有区域,空间区域中移动对象数量庞大并且区域形状不规则,将导致查询处理时间复杂度高的问题,本文采用基于网格的频繁区域挖掘方法,将对整体空间的研究转化为对频繁网格区域的研究。利用基于网格的分裂分层聚类算法挖掘出频繁区域,这些频繁区域是最有可能发生密集冲突的地点。再将频繁区域作为状态点来建立马尔可夫模型,利用该模型计算未来某一时刻移动对象的位置概率。其次,在实现空间区域密度查询方面,本文提出了一种对传统的密度查询的解决方法。然后针对该查询方法准确率不高的问题,重新提出了一个基于组关系的密度查询算法,该算法通过研究移动对象轨迹间的相似性将空间对象进行分组,将对单个对象的密度查询问题转换为对每个对象组的研究。实验方面,本文采用真实的GPS轨迹数据集进行了实验验证,并测试了两种密度查询算法的准确率以及空间中移动对象个数对密度查询时间的影响。最后,针对多维大数据中的稀疏性问题,本文采用上下文感知张量分解的方法进行处理。通过GPS、监控视频等可以得到某些区域的密集情况和密集类型,然而这些数据都具有一定的稀疏性,只能反映部分区域在某些时间段的分布情况。通过采集POI数据、签到数据和路网数据等,提取各个区域每种数据的特征,利用特征矩阵对具有稀疏性的密集报告数据进行填补。本文利用均方根误差和平均绝对误差值对填补准确度进行评价,实验结果表明本文算法能够较好的填补缺失数据,从而能够有效地获取各个区域的密集情况。总之,本文对一个具有实际意义的查询问题进行研究,建立了一个完整的查询框架,并对其中出现的数据质量问题进行研究处理。本文不仅利用稀疏数据本身对缺失数据进行填补,同时采用多种数据源对其进行有效的处理,使得预测结果更加合理准确。