公共安全事件严重危害人们的生命财产安全和社会的安定，参与人员在事件爆发前的行为往往表现异常，如频繁集会、深夜活动骤增等。基于大规模的人员活动轨迹数据，挖掘出行为活动异常或者行为活动突变的人员，对预防公共安全事件具有重要的意义。　　基于轨迹数据的异常人员活动分析有两个关键问题，一是如何获得大量的能够体现人员活动的轨迹数据，签到数据是一类时空分布离散的轨迹数据，覆盖范围广，数据量大，但存在数据稀疏问题;二是如何设计全面刻画人员活动规律的特征模型，并进一步提出相关异常分析算法。　　本文的研究目标是针对签到数据的稀疏性问题和人员活动规律的复杂性，提出丰富签到数据的算法和人员活动规律的特征模型，并基于活动特征模型设计异常检测算法，研发相关的应用系统以验证关键技术。本文的主要工作及创新之处如下:　　1.提出了一种基于时空相关性的多签到数据匹配算法MIMA(Multi-identification check-in data Matching Algorithm based on spatial and temporal relations)，用于丰富签到数据。该算法首先基于单人多签到数据具有的时空相关性构建签到数据符号网络;在此基础上优化FEC(Finding and Extracting Communities from Signed Social Network)社区发现算法以适应签到数据符号网络特性，通过多标签的划分实现多种签到数据的匹配。　　2.提出了一种基于特征模型的人员活动异常检测方法，用于对人员活动进行高效的异常检测。本文针对人员活动规律的复杂性，同时考虑个体周期特征和群体共现特征，设计了全面体现人员活动规律的特征模型，并利用iForest算法实现人员活动异常检测。　　3.设计与实现社区异常人员分析系统。系统基于社区内可得到的签到数据，检测社区内的人员异常活动情况，并将分析结果通过部署的WEB应用系统进行展示，展示系统分为整体概览、社区详情、个人详情、群体详情等功能模块。