随着GPS、无线传感器等定位设备的发展,轨迹数据挖掘已经成为一个越来越重要的研究主题,其中轨迹异常检测是轨迹数据挖掘中的一个重要方向,在城市交通检测及路网规划、灾害天气预警、社会公共卫生安全管理等领域有着广泛的应用。然而传统基于度量的轨迹异常检测算法没有充分考虑到轨迹的时间维度、位置噪声和零星采样等问题。基于手工提取轨迹特征的方法,特征的设计高度依赖专家知识,而且对于不同的应用场景,往往需要重新选择和优化特征。针对上述问题,本文从提升异常检测精度,降低算法规模和异常定位等几个方面展开研究。本文主要研究内容包括以下几点:（1）本文提出了一种基于时空相似性的轨迹异常检测方法。首先将城市划分为等大小的网格,利用一阶马尔科夫模型建模移动物体轨迹在某时刻位于某网格的概率,然后考虑到GPS设备所提供的位置信息无法准确的代表物体的具体位置,提出了一种高斯概率分布来模拟轨迹点的真实分布。并根据轨迹本身的速度分布,估计移动物体在某个时间间隔内的两位置之间的转移概率。以两条轨迹所有时间戳内的平均同位置概率作为轨迹间的时空相似性。最后利用轨迹聚类算法提取代表轨迹,并根据轨迹簇的数量设置权重与查询轨迹比较发现异常轨迹。使用多个数据集的实验表明,算法能够从时间维度上发现异常,使得检测结果更具有实际意义。（2）本文提出了一个基于Seq2Seq模型的异常检测方法,首先将预处理过后的轨迹数据网格化,挖掘出它的时空和速度特征。然后以低采样轨迹作为输入,高采样轨迹作为期望输出。模型从低采样轨迹中提取表示向量,并在此基础上重构相应的高采样轨迹。针对训练过程中不同点（拐点、非拐点）对于模型训练的贡献相同的问题,提出了一种基于点和速度特征的注意力机制,用于自适应的选择学习轨迹表示的关键点和上下文因素。为了衡量输出单元和真实单元的时空和速度差异,对每一个网格单元引入了时空,速度权重。并在此基础上,提出了一种基于时空和速度信息的损失函数。实验表明,该方法F1值达到了0.876,训练时间相较于其他方法减少了将近一半。