时空轨迹(Trajectory)是移动对象的位置和时间的记录序列。作为一种重要的时空对象数据类型和信息源,时空轨迹的应用范围涵盖了人类行为、交通物流、应急疏散管理、动物习性和市场营销等诸多方面。通过对各种时空轨迹数据进行聚类分析,可以提取时空轨迹数据中的相似性与异常特征,并有助于发现其中有意义的模式。针对传统的LCSS算法在轨迹点比对时,出现时间阈值选取的敏感性问题,提出了LCSS+算法,在不同的时间阈值条件下,表现平稳,识别率高,针对时空轨迹数据的稀疏性,造成了大量无效的轨迹点比对,本文将网格算法应用于LCSS+,极大的减少了轨迹点比对的数量,提升了算法效率。并针对大数据量的问题,提出了分布式环境下的LCSS+算法,测试结果表明分布式LCSS+算法能够缩短比对的时间,提升大数据集情形下的实时性。同时由于轨迹数据分布的不均衡,当使用MapReduce来计算轨迹相似度时,轨迹数据从Map端不能均匀的分配到Reduce端,使得某些Reduce节点的负载严重,这些负载严重的Reduce节点上的计算任务耗费了较长的时间,而整个MapReduce任务要等待所有的reduce任务都执行完成才能结束,使得整体任务运行时间变长。本文针对上述问题,提出了调优方案。其一,对原始轨迹数据进行数据抽样,统计轨迹数据中key值分布频次,从而推算整个轨迹数据的数据分布情况。其二,针对默认的分区算法的不足,提出一种改进的分区算法来处理Map端输出的中间结果数据,通过在作业运行时间和Reduce端负载情况上与默认的哈希分区算法进行比较的实验,实验结果表明改进的分区算法能够在处理倾斜度大的轨迹数据表现优于默认的哈希分区算法。