随着GPS定位、物联网、移动互联网、5G等先进前沿信息技术的飞速发展,由各类物联网和感知网设备产生的轨迹数据急速增长,产生了海量、多元、异构的时空轨迹数据。基于时空轨迹的社交网络分析在智慧城市、智慧交通、社交网络、公共安全等领域广泛应用,具有丰富的理论研究价值和真实应用需求。然而,面向多元时空轨迹大数据的社交网络分析在真实应用场景中面临诸多问题。首先,针对多元时空轨迹关联事件缺乏有效的捕捉获取方法。其次,现有方法大多基于单一模态进行社交关系的预测,准确率不高。缺乏融合时空共现（Co-occurrence）模式、时空关系、社交关系等多模态信息的表征方法。再次,大量的社交网络具有非常强的时间属性,而现有研究大多仅仅针对静态的社交网络进行建模分析,忽略了对社交网络时间演进属性的表征刻画,无法有效支撑角色分类、关系预测、群体聚类等机器学习任务。针对以上的三个具有挑战性的问题,本文从如下几个方面开展研究工作,包括:（1）基于多元时空轨迹的社交关系预测;（2）基于多模态社交网络的社交关系推理;（3）面向时间演进型社交网络的表征。本文的主要研究内容和贡献如下:（1）针对基于多元时空轨迹的社交关系预测问题,本文提出一种基于多元时空轨迹预测社交关系的算法:时空轨迹共振（Resonance）。Resonance构建了一种基于多元感知点进行时空划分分组的方法,该方法基于感兴趣区域（Region of Interest,ROI）等地理属性动态调整实际道路距离阀值（Maximum Reach Distance,MRD）的密度聚类算法,实现了对时空更符合真实应用场景的时空分组划分。在时空分组的基础上,利用滑动窗口的方式对时空共现模式进行挖掘。同时,设计了两个时空共现事件的特征:地理分散度（Geo-Spread）和活跃指数（ActM-Rate）,有效的刻画了时空共现地点的地理分散程度以及用户的轨迹稀疏程度,提高了基于时空共现模式预测社交关系的准确率。基于多个真实数据集进行实验验证,证明所提出的算法优于现有的代表性算法。（2）针对如何充分利用多维度信息进行社会关系推理的问题,本文构建了一种多模态社交网络模型:时空图共振网络（Spatial-Temporal Graph Resonance Network,STGRN）。STGRN以时空轨迹关系产生的社交网络为主要分析场景,提出了基于时空轨迹共振的社交网络,称为:共振网络（Resonance Network）。结合时空共现模式、社交网络、共振网络三个模态的综合表征,实现了对社交关系更精准的预测和推理。基于多个真实数据集进行实验验证,证明了提出的STGRN算法优于单一模态的现有方法,实现了更为精准的社交关系推理。（3）针对如何更准确的表达社交网络的时间属性问题,本文提出了一种面向时间演进型社交网络的表征模型:时空图社交网络（Spatial-Temporal Graph Social Network,STGSN）。在空间维度,通过节点嵌入算法对社交网络的邻域（Neighborhood）信息进行聚合。在时间维度,提出了通过注意力机制针对时间属性进行刻画。STGSN将空间、时间结合起来形成了最终的向量表征。本文还探索了基于STGSN算法的时间演进模式,提高了算法的可解释性。基于多个真实数据集进行实验验证,论文所提出的STGSN算法实现了对社交网络时间属性的有效表征及刻画。实验结果验证了所提出的表征模型在各类预测任务方面性能优于现有方法。