近年来,随着全球定位技术和无线通信网络的快速发展,轨迹数据更易于被采集与使用,为城市交通规划、出行规律挖掘、兴趣点推荐等应用提供重要价值。但是,由于轨迹数据具有数据规模大、异频采样性、数据质量差等特性,直接影响了轨迹数据的挖掘效果和计算效率。为此,大规模轨迹数据的分析与处理一直属于学术界和工业界关注的焦点。在大规模轨迹数据的分析与处理中,轨迹相似性查询一直属于关键操作之一,是实现移动行为规律挖掘、异常轨迹检测等应用的基础。然而,当轨迹数据的规模较大时,相似性查询的效率极低,如何实现高效的轨迹相似性查询属于近年来的研究热点。本文主要对大规模轨迹数据的相似性查询方法展开研究,设计并实现了相应的并行系统原型,具体工作如下:本文提出了一种基于多级索引结构的轨迹相似性查询算法。其中,多级索引结构是由网格索引和起止索引-特征点索引共同组成的,从而在轨迹相似性查询过程中,对轨迹数据进行粗粒度及细粒度两次筛选,有效提升查询效率。在构建索引过程中,第一步是对轨迹数据集进行网格划分,并对空间网格子集进行编号生成网格索引,以实现对轨迹数据进行粗粒度筛选的目的。第二步,在每个空间网格子集中,分别选取轨迹的起点和终点进行聚类分区操作,以此建立起止索引;随后利用本文提出的特征轨迹生成器计算出分区中每条轨迹对应的特征轨迹点,建立特征点索引;二者结合形成起止索引-特征点索引,以实现对轨迹数据细粒度筛选的目的。基于上述的多级索引结构,本文设计并实现了轨迹相似性查询系统。该系统是在领域上具代表性的开源系统——DITA上进行改进来实现的,提供了基于阈值的轨迹相似性查询和Top-K轨迹相似性查询功能。由于系统底层利用了Spark大数据处理平台,可在单机和分布式集群上运行。本文分别在单机环境及三台服务器构成的分布式环境下进行了大量实验验证。实验结果表明,本文提出的多级索引结构在轨迹数据集的筛选方面展现了良好的性能。与DITA系统对比,无论是单机环境还是分布式环境,百万级轨迹数据相似性查询性能均提升了20%左右。