近年来，随着信息服务、移动通信、互联网、数字存储等技术的迅速发展，移动对象的信息处理和知识获取成为了人们研究和关注的热点，与此同时个体活动行为的研究也越来越受到重视。越来越多的学者认识到通过研究移动对象随时间的空间变化规律，可以发现移动对象的移动模式，基于用户的移动模式能够更好的为用户提供个性化服务。例如，通过对用户的时空数据进行分析，提取出移动对象的运动规律和行为模式，那么通过用户的移动模式可以预测其将来的运动状态，可以提供更准确的导航服务。　　 本论文研究的目的是面向移动位置服务，通过对移动用户日常生活中产生的时空数据进行分析挖掘，采用地点识别方法从庞大的时空数据中发现对于用户重要的地点，利用序列模式挖掘的方法发现时空序列中的频繁模式，从而发现用户的移动模式。　　 本论文主要介绍了移动模式挖掘的研究现状，通过分析时空数据挖掘的特点和现有移动模式挖掘方法的不足，设计了基于地点识别和时空序列模式挖掘相结合的两阶段方法。该方法在地点识别阶段首先采用时空数据预处理算法VSTPruning进行了数据预处理操作，然后通过引入R*-树空间索引机制和密度相交思想，改进DBSCAN算法进行聚类，实现在发现用户重要地点的同时有效地提高聚类的速度。时空序列模式挖掘阶段是基于地点识别阶段上进行的，该阶段在经典的序列模式挖掘算法PrefixSpan的基础上添加时间约束，有效的解决了时空序列模式挖掘中的时间问题。算法分析和实验对比表明，该方法能够有效降低时空数据的存储空间，提高了发现重要地点的效率，有较好的可伸缩性，而且在保持相同语义的情况下，精简了模式的数量，有利于发现模式的准确度，从而有效地提升个性化服务的质量。在理论研究的基础上，另外，本论文设计并实现了一个基于时空数据的用户移动模式挖掘原型系统，可以直观、系统地表现出用户移动模式挖掘的过程。