随着物联网技术的发展,作为关键技术之一,RFID受到国内外学术界和产业界的广泛关注。位置服务是RFID技术最有价值的应用之一,具有广阔的应用前景,但RFID本身并不是一种精确的定位设备,由于射频干扰、对象移动以及监控场景等原因,形成大量不确定性时空信息流。同时,RFID空间中基于位置服务的要求日益复杂和多样化,使得RFID时空查询面临许多新的挑战。基于不确定性的RFID数据研究移动对象之间的关系对于提供深层次的RFID位置服务尤为重要。本文针对RFID空间中移动对象包含关系的探测技术进行了深入研究。首先,针对RFID数据大规模及动态性特征,本文在消除冗余数据的基础上,构建了一个用数据流驱动的动态图模型,该模型能够实时反映监控对象的运动信息。通过捕获的信息分析监控对象之间的关联度,为之后的包含关系推理提供可靠的依据。其次,考虑到监控对象在现实中的关联关系、频度表现、空间约束,本文构建了可能关系模型、概率规则模型、数目限制模型辅助包含关系的推理探测。本文先利用概率规则模型和监控对象的历史关联度信息计算出可能包含关系的概率值。针对容器满载的情形,采用由容器寻找包含对象(UTOD)的策略,从所有和该容器具有包含关系的对象中,根据容器的容量选取top-k个包含关系概率值最大的对象作为结果。针对容器没有满载的情形,采用由对象寻找所属容器(DTOU)的策略,每个对象总是选取使得包含关系概率值最大、且没有达到容量上限的容器作为它的所属容器。另外,在上述方法中加入监控对象的互斥关系检测,利用不同情形的互斥对象淘汰规则,选出优胜者作为当前容器的包含对象。通过这些模型构成的先验规则集约简监控对象之间可能的包含关系,提高包含关系推理的准确度和效率。之后,针对RFID数据规模大带来的存储问题,本文提出了用包含关系对原始数据进行压缩存储的方法。该方法利用大量的容器和它对应的包含者具有相同运动特征的特点,将多个对象的运动信息用相应容器的运动信息来表示,从而达到数据压缩的目的；针对经包含关系压缩后的数据中依然存在大量时间信息、位置信息的问题,本文提出了复合编码的方法,对数据进行二次压缩存储。该方法将物品运输过程中所形成的时间段分离出来并编码保存,对物品经过的位置进行哈弗曼编码,并形成物品运动的路径编码。通过该方法,一个物品的运动信息,可以仅用一条由物品运动过程中形成的时间序列编码、路径编码组成的复合编码来表示。最后,本文使用大量的RFID数据集进行了大量的实验与分析,实验结果表明：相比于仅仅使用物体的历史关联度信息推理包含关系,本文建立的先验规则集对于提高包含关系探测的准确率和效率上具有明显优势。在数据存储方面,本文采用的两次压缩存储方法,在保证数据完整性的情况下大大降低了数据的规模,并且具备良好的时间性能。总之,本文研究了包含关系探测技术和数据压缩存储技术,并提出了新的解决方案。理论分析与实验结果表明,与现有的方法相比,本文所提出的方法不需要通过复杂的迭代式的概率推理,在性能和实用性方面具有明显的优势。