随着物联网、RFID标签、GPS定位、智能手机以及其它移动设备的小型化和广泛化应用，移动对象轨迹数据呈爆炸式增长，如何有效的从这些数据中发现未知信息和对人类有意义的知识，是目前移动对象数据挖掘中一个亟待解决的问题。移动对象轨迹异常检测作为数据挖掘一个重要分支，可以有效发现数据集中的异常信息。本文围绕轨迹数据异常检测方法进行了研究，主要工作如下：（1）基于多因素的轨迹异常检测方法针对已有轨迹异常检测算法只关注轨迹数据的位置信息，忽略了与轨迹运动相关特征的问题，综合考虑了轨迹位置、速度、加速度、转角等因素，将其加入到异常检测中。本文提出一种基于多因素的轨迹异常检测算法TODMF，该方法在传统基于距离算法的基础之上，引入多因素距离这一概念来发现更有意义的轨迹异常点。在多因素选择的过程中，通过对多因素间进行典型关联分析来对参与异常检测的因素个数进行优化，从而在一定程度上提高了异常检测算法的效率。最后，实验结果充分表明了TODMF算法的有效性。（2）轨迹多因素异常集成检测方法针对已有轨迹异常检测算法无法有效处理轨迹多因素特征的问题，提出了一种轨迹多因素异常检测集成算法TRODEM。该算法采用了集成分析技术，并利用一种新颖的、数据为中心的集成框架来对轨迹数据多因素特征进行集成。算法对轨迹多因素特征分别进行检测并为每种特征检测出的结果赋予一个用于集成的异常分值，随后利用组合函数对这些分值进行集成从而得到一个最终异常分值，并以此分值进行最终的异常检测。在集成过程中，本文采用了带有权值的累积和方法从而克服了可能存在的集成结果对某种因素过分依赖的缺点。实验验证了TRODEM算法的有效性。（3）设计并实现轨迹数据异常检测原型系统在理论研究基础上，设计并实现了一套轨迹数据异常检测原型系统，针对不同轨迹数据，可以对轨迹数据进行有效的异常检测，并进行多因素轨迹异常检测分析，该系统具有良好的可视化效果，可以很好地表现出轨迹异常检测结果。