我国是海洋捕捞大国,近年来随着渔船的数量愈发增多,给渔业监管部门带来了巨大的挑战,同时给海洋生态环境带来了严重的破坏。随着现代化移动智能终端的迅速普及,定位感知技术的发展,获取包含时间、位置、速度、加速度等特征的轨迹数据越来越容易。在依托于卫星定位技术的船舶自动识别系统（AIS）在全球范围内广泛部署后,我国也相应地进行了部署并基本完成渔业船舶的终端推广工作,包含渔船的船位、航速、航向等动态信息的AIS轨迹数据呈爆炸式增长,这使得利用渔船AIS轨迹数据进行渔船实时监测、分析渔业资源时空分布规律,进而保护海洋生态环境成为可能。因此本文基于渔船AIS轨迹数据,从渔船AIS轨迹分割、渔船作业状态识别和渔船作业方式识别三个方面进行挖掘研究。对渔船AIS轨迹数据的存储计算、规范渔船的捕捞行为、保障海上安全、掌握渔业资源动态具有重要的意义。本文的主要工作如下:（1）在渔船AIS轨迹分割方面,分割后的子轨迹包含不同的运动状态,有利于数据存储、渔船作业状态识别和其他数据分析。针对现有的轨迹分割算法存在需要先验值、标记数据、计算复杂高等问题,本文提出了一个基于多运动特征的无监督的渔船AIS轨迹分割算法（TS-MF）,该算法包含分割和合并两个步骤。分割部分使用皮尔逊系数来衡量相邻轨迹点特征的相似度,并从全局角度提取分割点。合并部分通过合并局部子轨迹来优化最小描述长度（MDL）值,可以避免过度分割,提高轨迹分割的准确性。TS-MF的时间复杂度为（9）),适合渔船AIS轨迹数据这种大数据集。最后使用TS-MF分割渔船AIS轨迹数据并与四个轨迹分割算法GRASP-UTS、SWS、CB-SMOT和SPD进行了比较,实验结果显示TSMF的纯度和覆盖率的调和平均值达到最高,证明了本文提出的轨迹分割算法的有效性和可靠性。（2）在渔船作业状态识别方面,现有的算法大部分是基于聚类、机器学习、经验阈值的,基于深度学习的算法较少并且忽略了子轨迹序列的长度是不相等的。针对这一问题,本文提出了一个基于长短时记忆网络（LSTM）和一维卷积神经网络（1DCNN）的渔船作业状态识别算法。该算法利用改进的LSTM网络获取轨迹真实的时域特征,在改进的LSTM网络的输入层输入每个子轨迹的真实的时间步长,在改进的LSTM网络的输出层按照时间步长输出时域特征。然后1DCNN网络利用卷积和池化等操作获取轨迹的空间特征,最后融合改进的LSTM网络和1DCNN的输出值,计算交叉熵损失函数的值并不断优化直至结果达到最优。实验结果表明提出的渔船作业状态识别算法的准确率达到96.2%,优于其他算法。（3）在渔船作业方式识别方面,为了提取轨迹的时空特征,适应处理长时段的轨迹数据,本文提出了一种基于滑动窗口和LSTM自动编码器的识别算法,用于识别渔船作业方式。该算法首先使用滑动窗口提取轨迹特征,解决了轨迹长度过长、不同轨迹序列长度差别大的问题。再通过LSTM自动编码器去学习轨迹的时域特征和潜在的高级特征,最后在LSTM自动编码器中嵌入softmax分类器,联合优化损失函数,使分类效果达到最优。在浙江海域的渔船AIS轨迹数据上验证了提出的渔船作业方式识别算法,结果表明所提方法的准确率为95.82%,算法可用于辅助拖网、围网作业方式的判断。