在物联网时代,大量的移动设备收集了大量的个人移动数据,使得学习到人类的显性和隐性移动模式成为可能。挖掘人类的移动模式不仅可以使许多商业应用受益,还可以加速智能城市的建设。挖掘人类移动模式的两个重要方向就是轨迹用户链接问题(以下简称TUL),即如识别不同匿名用户留下的运动轨迹,和下一个兴趣点预测问题。虽然许多现存的模型都在解决上述两个问题时取得了不错的结果,但是这些模型均需要大量的有标签数据用于训练。为了克服上述挑战我提出了两种人类移动模式的学习方法。第一,本文提出了一个具有可解释表示和高斯混合先验的半监督轨迹用户链接模型(以下简称STULIG)。这是一个新的深度概率框架,用半监督方式学习用户轨迹的解纠缠表示并解决位置恢复问题。第二,本文还提出了一种新的人类移动学习方法,称为基于元学习与变分生成网络的移动模式挖掘框架(以下简称MetaMove),它是第一个基于元学习的挖掘人类移动模式的模型,并且将移动预测和分类问题统一在一个框架内。MetaMove通过对来自不同用户的各种学习任务进行训练来解决任务泛化问题,并在任务分布上对模型进行优化。本文的主要贡献如下:(1)文中提出了一种新的基于半监督方法和深度生成网络的人的移动学习模型STULIG,它利用人类移动数据的时空特征和丰富的无标签数据来提高TUL的性能和训练效率。(2)文中提出了一种基于元学习和深度生成网络的通用框架MetaMove,该框架可以很容易地结合到现有的人类移动性学习方法,并且在元训练和自适应两个层次上的使用无标签的轨迹数据,以缓解数据稀疏问题,同时强制模型对负样本不太敏感。(3)文中,我对两个模型均进行了大量的实验,实验结果证明了所提出的方法的有效性和效率,两种方法在与其他最新方法相比时均显示出了很大的优势。