基于位置的服务在运行过程中记录了大量用户移动轨迹数据,这些数据不仅包括了用户移动的位置和时间,还包含了丰富的用户活动产生的语义信息,具有时空依赖性与语义性。随着移动互联网的发展,各种应用对使用移动轨迹数据来进行用户移动性预测产生了巨大的需求。经过调研和分析现有的研究资料,深度学习是近年来计算机学科的研究热门,相较于传统的预测模型算法,其中深度卷积神经网络模型针对空间建模具有不错的效果,而深度循环神经网络模型对于时间序列建模有良好的效果。本文利用深度学习在序列建模和空间建模上的优势,研究基于深度学习的用户移动性预测方法。本文研究的用户移动性预测主要分为用户个体移动预测和用户群体移动预测两部分。用户个体移动预测是指的是给定历史移动轨迹序列,预测用户的下一个时刻的移动位置,对于兴趣点推荐和交通路线规划等服务具有重大的意义。用户群体移动预测是在一定地理范围内对群体的移动进行研究和建模,预测用户群体下一个时刻的移动趋势,对于智慧城市建设,城市路线规划和公共活动预警有着重大的作用。轨迹数据中包含的语义信息,对于用户个体移动预测具有重大的影响,而数据所包含的时空依赖给群体预测产生了巨大的挑战。现有的深度学习用户移动预测方法存在数据不能有效输入模型,没有充分利用语义信息,以及不能很好的捕捉时空依赖等问题。针对上述问题,本文采用语义轨迹数据编码,改进深度学习模型等方式有效地准确地对用户移动进行预测。对于用户个体预测,本文提出了一种基于语义和注意力机制的时空长短期记忆网络模型。该模型将用户个体移动轨迹的每个移动点的信息转化成(网格位置,时间,语义信息,用户ID)四元组,采用词嵌入等方法对元组信息进行编码,然后输入改进的循环神经网络中预测用户下一个位置。并且该模型采用了注意力机制加强历史移动位置对于用户的下一个位置的影响。对于用户群体预测,本文提出一种基于混合卷积的时空长短期记忆网络模型。该模型使用混合卷积模块捕捉短期依赖和丰富的空间信息,然后输入改进的时空长短期记忆网络中进行建模,预测用户群体下一个时刻的移动趋势。最后,通过在Foursqure签到,北京出租车(Taxi BJ)等数据集进行实验和重庆出租车(Taxi CQ)数据集上进行应用,本文证明了提出的两种模型的有效性和准确性。