近年来,随着海上贸易量的与日增长,船舶朝着大型化、高速化发展,海上航行的船舶数量不断增加。日益复杂的海上交通环境对船舶交通监管工作提出了更高的要求。对海量AIS(Automatic Identification System)数据进行数据分析与挖掘能够获得有效的船舶航行信息,为海上交通监管工作提供有力支撑。其中,基于密度的聚类分析手段在海上交通领域研究中发挥着重要的作用。本文重点研究了基于密度的聚类分析在船舶轨迹聚类和海域内多船碰撞危险度实时监测中的应用。针对基于密度的聚类分析在船舶轨迹聚类的应用研究方面,提出一种基于OPTICS(Ordering Points to Identify the Clustering of Applications with Noise Algorithm)的利用Spark平台的分布式船舶轨迹聚类方法;并综合考虑船舶的经度、纬度和对地航向构建船舶轨迹间的相似性度量模型;以2016年1月天津港AIS数据为实验数据,在Spark平台部署集群,在四个工作区间下完成AIS数据预处理、船舶运动点的识别以及利用Douglas-Peucker算法的船舶轨迹的提取与简化后,设置区域轨迹划分规则并依规则将船舶轨迹数据按地理位置的分布划分为四部分,在四台执行器下独立进行OPTICS轨迹聚类,最后对聚类结果进行拼接和可视化。轨迹聚类结果能够反映天津港复式航道内的船舶轨迹特征,且不同特征的船舶轨迹被成功区分。在基于密度的聚类在海域内多船碰撞危险度实时监测的应用研究方面,提出一种首先利用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法对海域内所有船舶进行空间聚类,再分别计算每一类中的船舶的碰撞危险度的海域内危险度实时监测方法;并基于信息量构建了综合考虑最近会遇时间、最近会遇距离和船舶方位分布影响的多船碰撞危险度计算模型。以2016年1月1日00:00:00-00:01:00北方海区AIS数据为分析样本,利用线性内插法将各船舶的动态航行信息进行时间同步;对某一时刻区域内船舶进行DBSCAN聚类后,约五分之四的不存在碰撞危险的船舶被过滤为噪声点;计算聚类后每一船舶与类中其他船舶构成的多船碰撞危险度,并对计算结果进行可视化表达。实验证明,该方法能够提取出空间上距离较近的船舶,且能够过滤掉与其他船舶距离都较远处于无碰撞危险阶段的船舶,从而达到减少计算量的目的。对多船碰撞危险度计算模型进行理论验证,绘制计算模型的函数图像,验证结果表明该方法可行。