21世纪,我国民用航空运输业得到快速发展,随之带来的是航班流量的增长,不但加重管制员工作负担,还会引发危及飞行安全的隐患,所以对终端区航空器海量轨迹数据展开研究显得尤为重要。通过对终端区内海量轨迹数据挖掘分析,可发现其中隐含的异常轨迹信息,为研发高效的管制员辅助决策系统打下基础。本文采用数据挖掘技术中的聚类分析对基于多维特征的航空器终端区轨迹自动分类进行研究,在轨迹分类的基础上分别基于位置特征和运动特征两种方法实现对航空器异常轨迹的识别检测,两种方法相互对比;同时针对航空器异常研究多是集中在轨迹位置异常,提出对航空器垂直方向--爬升下降率的异常识别检测。本文首先确定研究终端区范围;采用兰伯特投影、线性插值和速度修正等方法完成对ADS-B轨迹数据的预处理;结合相关领域对异常轨迹定义给出本文对终端区航空器异常轨迹定义。针对欧氏距离轨迹相似性模型存在不足,对欧式距离相似性模型进行改进,构建基于位置特征(经度、纬度、高度)、航向和速度的多维特征轨迹相似性模型,并使用谱聚类完成对航空器轨迹自动分类的研究。在轨迹自动分类的基础上,提出航转角的概念,利用航转角确定特征轨迹,通过多元线性拟合方法结合航空器轨迹位置特征(三维)对特征轨迹进行拟合,得到特征轨迹位置表达式,计算特征轨迹点到位置表达式距离是否大于设置95%置信区间的范围,完成对异常轨迹的识别检测。考虑多数异常轨迹识别研究中没有充分考虑轨迹的运动属性特征,结合异常轨迹相关定义,分析数据之间的关联关系,提出基于曲率、航向和航转角等多维运动特征的航空器异常轨迹识别检测方法,使用主成分分析和随机森林模型完成对异常轨迹的识别检测。现阶段对轨迹异常的研究多是集中在轨迹位置的异常而缺乏对轨迹垂直方向上的异常的考虑,本文提出航空器爬升下降率的异常识别方法,通过矩估计对爬升下降率异常进行定义,结合对爬升下降率影响因素的分析,用随机森林分类器实现对爬升下降率的异常检测。