随着移动通信技术的快速发展,便携式移动设备的普及程度日益提高。移动通信设备产生了海量的具有时间和空间信息的数据,对于这些能够反映设备使用者行为特征的时空轨迹数据进行模式分析与挖掘,已成为智慧交通、走私监测、公共安全和智慧旅游等领域应用的重要手段。而轨迹相似度是轨迹近邻查询、轨迹离群点检测、轨迹聚类等轨迹数据处理技术的基础,对于轨迹数据的模式分析具有重要意义。由于不同类型的轨迹数据的采样质量,如采样的时间间隔和空间精度差别较大,导致轨迹相似度算法在不同质量的轨迹数据上应用效果差别较大。本文着重研究低质量人群轨迹数据之间,以及不同采样质量的船舶轨迹数据之间的相似度度量算法及其应用,主要工作及创新点如下:第一,提出了一种基于轨迹嵌入的相似度度量算法trajectory2vec。现有的轨迹相似度度量算法主要基于时空轨迹点的匹配或者结合语义信息来计算轨迹相似度。但是当轨迹采样率和精度都较低时,这些算法往往有较大误差。本文针对于轨迹采样率和精度较低的人群轨迹数据,提出了一种基于轨迹嵌入的相似度度量算法,通过学习轨迹的共现关系,并在训练过程中引入先验相似度进行约束,得到轨迹的嵌入向量,基于嵌入向量进行轨迹相似度的度量。最后基于CDR数据与基线算法进行对比分析,验证了算法的有效性。第二,提出了一种基于椭圆运动不定性的时空相似度度量算法STSUM（spatial and temporal similarity with uncertainly movement）。本文针对不同精度及不同采样率的AIS数据和雷达数据,通过衡量轨迹两点之间运动的不定性构造椭圆表示真实轨迹运动可能的位置,再根据构造的椭圆计算两条轨迹在匹配率、覆盖率、方向一致性及时间相似度上的整体相似度。最后通过轨迹可视化和噪声轨迹构造的实验验证了 STSUM算法都优于基线算法。该算法已应用于实际项目中。第三,设计并实现了伴随轨迹检测系统。基于本文所提轨迹相似度度量算法,设计实现了包含数据存储、数据处理、轨迹相似度算法模型及基于Web的可视化展示的轨迹伴随检测系统,可以进行直观的轨迹伴随检测效果验证和分析。