随着科技的不断进步,人们对移动对象的实时位置的获取越来越便捷。这些移动对象在一段时间内的实时位置就构成了该对象的一条时空轨迹。GPS技术的进步和设备的不断小型化使得定位设备的应用越来越普遍。因此,在人们的各种生产活动中产生的时空轨迹也越来越多,呈爆炸性趋势。从这些海量的轨迹数据中挖掘出有用信息非人力所能及。聚类算法作为数据挖掘领域的一种重要方法,越来越多的被研究人员应用到时空轨迹数据的挖掘中。本文研究了时空轨迹的相似性度量方法和聚类方法,在此基础上提出了AMDLTP算法和DBSTC算法。基于转向角和最小描述长度原理的轨迹划分算法AMDLTP。算法先用转向角得到一个轨迹划分特征点的候选集,然后再用最小描述长度的原理对候选集进一步筛选得到划分特征点。划分特征点不仅能保留轨迹的原始特征而且为下一阶段的轨迹聚类大大降低了计算复杂度。基于密度的子轨迹聚类算法DBSTC。算法在度量子轨迹相似性时同时考虑空间相似性和时间相似性。二者在总体相似性中所占权重不一样,通过调节权重可以适应不同的应用环境。算法通过计算核心子轨迹的密度连通集合来对子轨迹进行聚类。通过在飓风数据集和航空数据集上的实验,证明了本文所提的AMDLTP算法在保留轨迹原始特征的同时能大为降低轨迹点数量。DBSTC算法通过对AMDLTP算法得到的子轨迹进行聚类,实验结果证明了算法具有较好的聚类效果。