时空轨迹是移动对象的在一定时间序列下的运动记录,时空轨迹具有丰富的时间、空间和语义特征,时空轨迹的时空特性和潜藏的语义价值使得时空轨迹挖掘成为数据挖掘领域具有挑战的前沿研究分支。时空轨迹聚类是时空轨迹数据挖掘的重要研究内容之一,旨在挖掘出具有相似特性的轨迹簇,可应用于轨迹预测、异常检测等方面。然而时空轨迹数据数量大,数据内容和结构复杂,时空轨迹的本质特征隐藏于海量冗余信息中,处理流程极复杂。此外,时空轨迹数据的时间、空间和语义特征难以统一在一个量化空间内进行分析,如何度量不同轨迹的时空语义相似性仍是难题。针对时空轨迹隐藏语义信息难以提取和表达的问题,本文旨在顾及时空轨迹数据时间、空间和语义特征,结合机器学习相关理论和技术,研究时空轨迹特征筛选方法、建立时空轨迹相似性度量模型,在此基础上实现基于语义的时空轨迹聚类,解决传统聚类方法只针对地理空间特征聚类的问题,将轨迹聚类与实际语义环境相结合,为深入挖掘轨迹数据高层次语义提供理论支撑。论文主要研究内容如下:（1）时空轨迹特征降维。面向特定领域和实际应用所需的关键信息通常隐藏于高维、海量的数据样本中,为了快速有效地分析不同时空轨迹的相互关系,往往需要从原始轨迹中提取出能反映其本质信息的主要特征。本文顾及时空轨迹高维语义特征,基于特征选择和特征抽取降维相关理论,提出了面向高维语义的时空轨迹特征降维方法,实现对高维、冗余时空轨迹数据的特征降维表达;（2）时空轨迹语义相似性度量。针对传统轨迹相似性度量方法只度量时空特征的问题,本文基于特征降维后的时空轨迹,提出顾及语义特征的时空轨迹相似性度量方法,在轨迹相似性度量中融入多维语义表征,解决传统相似性度量方法无法在语义层面度量轨迹相似性的问题,实现时空轨迹语义相似性度量;（3）时空轨迹语义聚类。针对传统聚类方法主要关注地理空间特征聚类,忽略时空轨迹语义特征的问题,提出了基于谱聚类的时空轨迹语义聚类方法,该方法融合时空轨迹语义特征,在顾及语义特征的时空轨迹相似性度量基础上,结合谱聚类思想,将轨迹聚类与实际语义环境相结合,实现融合时空语义信息的时空轨迹聚类。最后对本文提出方法进行实验验证与分析。针对时空轨迹相似性度量问题,分别考虑不同时空轨迹特征与现有相似性度量方法进行对比分析,验证了本文提出的顾及多维语义的相似性度量算法的合理性和有效性;面向时空轨迹聚类的应用需求,通过选取不同时空轨迹特征下的相似度结果,分别与传统经典聚类算法进行对比分析,验证了本文提出的顾及多维语义的时空轨迹聚类算法的有效性与准确性。