在繁忙的终端管制区内,管制员需要根据管制区内航空器的飞行态势、空域航路结构和管制意图为航空器分配进离场程序、调配进场排序和安全间隔等发布相应的管制指令,依赖于这种高负荷、经验式的空中交通管制方式,不仅使得终端区内航空器运行效率低,限制了管制决策的实时性,而且极大地增加了航空器安全风险。因此,考虑到航空器飞行轨迹作为表征航空器运行状态的一种宏观形式,是在基于轨迹数据的模式下从海量轨迹集合中挖掘异常轨迹的关键点,本文以此为切入研究终端区航空器飞行轨迹分布规律以及实时异常检测,达到降低管制员工作负荷,保障航空器飞行安全的目的。首先,针对监视数据库中解析数据的特点,进行数据预处理和轨迹压缩处理,获得飞行基准轨迹;同时充分考虑到轨迹数据的多维特征属性,构建基于多维特征的轨迹相似性模型,在此基础上采用改进后的聚类方法分析轨迹的分布规律,结果表明改进后的方法提高了挖掘航空器潜在飞行模式的能力,并实现了飞行轨迹的自动分类。其次,在总结现有飞行轨迹预测模型的基础上,提出结合航空器能量高度和卷积神经网络算法,实时预测航空器未来飞行轨迹,同时讨论网络模型结构的影响,得出适用于本文的最优飞行轨迹预测模型;并与BP神经网络预测的三维位置信息对比预测结果,结果表明本文建立的飞行轨迹预测模型具有很好的精度和实时性。最后,给出终端区航空器异常轨迹的相关定义,以轨迹信息熵和飞行距离作为衡量轨迹偏离中心轨迹的特征指标,结合统计学理论提出了异常轨迹识别方法,分别在水平剖面和垂直剖面进行仿真试验,再综合两剖面上的异常检测结果确定最终的异常航空器,同时通过异常检测方法的评估指标,获取了最佳的异常检测阈值;最终的试验结果表明将飞行轨迹预测模型和异常检测模型相结合,有效实现了航空器的实时异常检测识别。