随着航运业和海上监控技术的发展,海上交通多源时空数据急剧增长,仅通过传统人工值守的方式已经无法满足海事管理部门的监管需求。现阶段大部分态势感知系统只是简单地将采集的多源时空数据显示出来,并没有对数据背后的潜在知识进行挖掘,对多源时空数据的利用存在关联程度低、挖掘深度浅、智能化水平不足等问题。因此基于多源时空数据,采用数据关联与挖掘等技术对船舶行为进行分析,从而实现海事管理部门对特定类型船舶和船舶异常行为的重点监管具有重要的研究意义。本文研究如何利用多源时空数据的优势提高对相关海域内船舶的态势感知能力。“态势”包含两方面含义,其中“态”侧重于船舶静态特征,主要基于航迹关联和行为分析研究船舶分类问题;“势”侧重于船舶动态特征,主要从规律学习和领域知识两个方面研究船舶的异常行为检测问题。主要内容及创新如下:第一、研究了基于航迹关联和行为分析的船舶分类方法。具体而言,针对雷达时空数据感知维度不足导致的分类模型难以构建的问题,设计了航迹生成和关联算法,算法通过属性约束、双投影曲线拟合、时间配准等方式实现多源时空数据的有效关联,从而可扩充雷达时空数据的感知维度。此外,在船舶分类模型的训练阶段,针对船舶航迹数据的类别不平衡问题,提出了基于EasyEnsemble和SMOTE的异质集成学习方法,该方法可以在不造成信息损失的情况下实现类别平衡,并且可以减少噪声对最终分类结果的影响。实验结果表明,所提出的方法可以提高船舶分类的准确率,同时能够实现对少数类船舶的有效识别。第二、研究了基于规律学习的船舶异常行为检测方法。针对传统方法中存在的异常检测效率低和效果难以量化的问题,本文提出了基于emd-DBSCAN算法和带权重损失函数LSTM网络的船舶异常行为检测方法（eD-LW方法）。首先使用emd-DBSCAN算法对船舶航迹进行聚类,算法将航迹作为一个整体,基于推土机距离衡量航迹行为间的差异,从而获得更为合理和准确的异常识别结果。然后使用带权重损失函数的LSTM网络训练异常行为检测模型,该方式可以充分利用航迹的时序特征,并能通过损失函数中权重的调整提升模型的检测效果。实验结果表明,eD-LW方法可以实现检测效果的定量评估,并能够在保证检测准确率的前提下有效提升检测效率。第三、研究了基于领域知识的船舶异常行为检测方法。传统方法主要依赖AIS数据进行异常检测,但AIS设备存在故意关闭和恶意篡改数据等现象,导致了异常检测可靠性差的问题。本文结合海事领域知识对船舶AIS关闭、数据篡改等异常行为进行了分析与检测。首先基于航迹点间的距离和D-TRAP,从航迹点角度进行航迹关联,该方式可以提升AIS违规操作时多源时空数据间的关联效果,然后通过建立关联Map设计了相应的检测算法。同时为了准确对AIS关闭后的船舶异常行为进行定位,提出了基于规则和聚类的航速异常行为定位算法以及基于分段和推土机距离的航向异常行为定位算法,定位算法可以利用异常行为的特点,减小行为分量波动对异常定位的影响。实验结果表明,所提出的算法能够充分利用多源时空数据实现对AIS违规操作等异常行为的有效检测,并能准确定位AIS关闭后的异常行为。