轨迹分类一直是交通运输工程、交通分类的重要研究内容。AIS数据作为一种来自社会感知设备的新型时空大数据,蕴含着丰富的海上船舶轨迹信息,并且获取成本低、覆盖范围广。基于海量的AIS数据,对船舶目标进行分类识别在保障海上交通安全和促进海上智能交通发展中发挥着无可替代的作用。但是,海上水域宽阔、船舶轨迹复杂多变,加大了船舶特征提取和分类模型构建的难度,因此迫切需要一套完善的技术体系来解决当前基于AIS数据船舶目标分类识别研究中的难题。人工智能领域的技术给地理空间研究的智能化发展和融合创新带来了新机遇,尤其是机器学习的飞速发展为轨迹分类提供了新的发展契机。本文紧密围绕船舶目标分类识别,以AIS数据作为数据源,依托当前最具代表性的人工智能技术——机器学习,系统展开基于机器学习的船舶目标分类识别方法研究,主要工作及创新点如下:（1）分析、总结国内外关于船舶目标分类识别的研究现状,梳理基于轨迹数据的船舶目标分类识别研究进展,指出船舶目标分类识别的发展趋势。基于机器学习和AIS数据的基本概念和基础理论,针对当前研究的不足,明确本文主要研究内容,提出一套系统的基于机器学习的船舶目标分类识别方案,包含从原始AIS数据预处理到船舶运动特征提取、到分类模型构建、再到多类型船舶目标分类识别的完整流程。（2）提出了基于集成学习的船舶目标分类识别方法。针对基于AIS数据的船舶目标分类识别研究较少,现有方法普遍构造多维特征空间容易造成信息冗余,降低分类效果的问题,提出一种基于集成学习的船舶目标分类识别方法。该方法首先从特征降维的角度出发,引入随机森林模型,从船舶轨迹段中提取18维特征,评估特征的重要性和优化特征组合;然后,从模型深度的角度出发,引入深度森林模型,深度森林在优选特征的基础上集成了最优随机森林和完全随机森林;最后实现多类型船舶目标的分类识别。实验结果表明,该方法通过特征优选随机森林剔除冗余特征,降低随机森林模型的复杂度,很好地提高了分类效率;在此基础上,深度森林加强对特征的表征学习,提升分类模型的泛化能力,进一步提高了分类精度和分类效率,表明本方法分类时效性高且适用于小规模数据集的船舶目标分类识别任务。（3）提出了基于深度学习的船舶目标分类识别方法。利用轨迹数据对海上船舶目标分类的传统方法多数依赖于人工提取特征,且难以兼顾空间和时间特征对分类结果的影响。针对上述问题,本文提出一种卷积神经网络与双向门控循环单元相结合的组合分类模型,采用AIS数据对船舶目标进行分类。首先,对AIS数据进行预处理获取有效船舶轨迹段,用轨迹点的航速、航向和时间等基础信息分别为卷积神经网络和双向门控循环单元构建输入特征向量;其次,训练最优卷积神经网络,与双向门控循环单元结合得到组合模型;然后,组合模型同时挖掘AIS数据蕴含的时空特征,并将学习的深层次特征进行融合;最后,利用全连接层获取船舶目标分类结果。实验结果表明,相比于传统的机器学习算法和单一的深度学习模型,本文采用的分类方法仅需构造简单的输入特征向量,并且分类评价指标均有不同程度的提高,表明本方法能够有效结合时空特征,提升分类效果。（4）设计并实现了船舶目标分类识别原型系统。集成AIS数据预处理方法,以及本文提出的2种船舶目标智能分类识别方法,整合成为船舶目标分类识别原型系统,然后将AIS数据输入原型系统进行船舶目标分类识别实验,验证本文方法的科学性与整体性。