伴随信息技术和传感器技术的进步，数据的采集方式越来越多样化，获得数据大为方便。面对海量数据，如何挖掘出数据背后的感兴趣模式成为众多学者研究重点。挖掘移动对象背后周期模式为研究移动对象提供了理论依据，如研究动物习性，也可以根据发现的周期模式做出合理的决策，如交通指挥等。本文主要研究移动对象周期模式挖掘方法。为了解决组合爆炸、稀有项问题、不能满足闭包条件以及效率低下等问题，提出一种具有向下闭包特性的闭包多限制条件树算法(Multi-Constraint Closure Conditional Tree，MCCCT)。算法为不同模式设置不同限制条件，解决了组合爆炸和稀有项问题，提高了挖掘效率。针对模式支持度和周期距离难于获取的问题，根据每个模式出现频数动态获取属性值，增强了挖掘算法的灵活性。为防止噪音等不确定因素的影响，引入基于相似度的模式匹配算法，使模式挖掘更加具有健壮性。论文对提出的方法采用公开移动对象数据进行实验和分析，根据每个项出现频率动态获取支持度阈值和周期距离阈值。实验表明提出的方法能够挖掘出稀有项，抵御一定的噪音干扰，获得更高质量的周期模式，并且满足闭包条件，解决了传统方法不能解决的问题。针对目前周期方法挖掘出的模式存在很大冗余性，挖掘出的周期模式往往不是用户感兴趣的，提出一种无冗余的周期模式发现算法（Non-Redundant Period Patterns，NRPP）。该方法同样引入多支持度限制条件，提高筛选质量。同时引入相似因子，使得相似模式被剪枝，减少了冗余模式，降低冗余性。采用公开移动对象数据进行实验，结果表明，该方法得到的周期模式较传统方法得到的周期模式质量更高、更简洁，不存在相似模式，降低了冗余性，弥补了传统方法的不足。