目前,在视频监督领域,对轨迹数据的处理主要是通过聚类和异常检测来实现。各种聚类算法都有其本身的优势,本文针对聚类和异常检测算法进行了详细的讨论,分析了常见类型,如划分法、层次法、基于密度的方法、基于网格的方法和基于模型的方法的优势与不足,并指出了可能的改进方案以及一些算法流程改进的设想,同时给出了一些算法组合的方式,以使得最终结果能有所提高。本论文提出了新的距离计算方式,讨论了不同的距离计算方式的具体计算流程,这些方式各自的特点。针对这些距离计算方式,详细的讨论了它们的应用场所,并详细阐述了这些距离计算方式在轨迹距离方面的计算方式,通过可能的改进方式,使得更适合用于轨迹距离,这样可以更好的衡量不同的轨迹间的相似性。本文为了提升计算轨迹相似性的方法,通过对相似性度量方法的改进,使得计算结果更为准确,同时,避免了常见距离计算相似度所没有考虑轨迹全面信息的情况。与此同时,从异常检测的角度来讲,轨迹数据中容易存在一些较难发现的异常数据。本文详细讨论了信息论工具,以及其使用方法。提出了将信息论工具应用于轨迹异常检测的方法,通过进一步挖掘出轨迹数据中的运动夹角信息,将相似性较高的轨迹进一步分析,使得隐匿在正常轨迹数据中的异常轨迹数据得以被检测出。全文对常见聚类算法和异常检测算法进行了分析,通过本文提出的改进方案,可以进一步提升原有算法的效果。最后通过实验结果,对比不同的算法以及不同的细节方案所造成的结果差异。