海量的用户移动轨迹数据蕴藏着用户日常的惯性行为知识,挖掘城市中用户移动轨迹数据隐含的异常状态,可以用于感知城市生活环境,服务于城市规划和公共安全等诸多领域,因此有着重要的研究价值和意义。在此背景下,本文研究了路网环境下基于轨迹大数据的用户异常行为分析方法,主要内容如下:（1）将原始用户轨迹映射到数字路网中是进行空间数据挖掘必不可少且困难的步骤。为了解决由定位误差以及路网结构的复杂性导致路口匹配率低的问题,提出了基于连接点和隐马尔可夫模型的地图匹配算法。该方法设计了一种关于当前路段与目的地之间可达成本的计算方法,在计算低采样率的过渡概率矩阵时克服了数据稀疏的缺点,同时引入道路与轨迹段形状的方向相似性,其在复杂的交叉路口环境中显示出良好的性能。实验结果证明,该方案可以降低路口点匹配的错误率,适用于低频采样的GPS设备。（2）由于网络技术的革新和快速发展,其覆盖范围广且复杂的特点增加了城市运动行为异常定义的难度。基于此,本文提出了用于路网环境下移动轨迹的建模和异常检测方法。该方法主要考虑到以下事实:在路网环境中,用户异常移动轨迹可揭露出用户的异常行为,如异常位置、异常形状以及异常位置出现的方式。本文从三种不同的特征中探索用户行为,并建立了用于异常检测的轨迹模型,主要包括的异常行为检测有:基于孤立森林的全局绕行检测算法、基于DBSCAN算法的局部速度异常检测和基于局部离群因子的局部形状异常检测。在真实的数据集上验证所提方法的有效性,且所提算法在精度和召回率方面均优于经典算法。（3）先前异常检测的研究仅关注异常值检测,而很少关注异常轨迹的模式挖掘。异常轨迹的模式可以揭示这些异常值出现的潜在机制,因此,本文提出了一种基于网格距离和模糊理论的异常轨迹检测与分类方法。首先,将数字地图网格化,通过定义网格距离来衡量任意两条轨迹之间的相似性;其次,设计了一个新的异常分值函数,来量化局部异常、全部异常和正常轨迹的差异;最后,将得到的异常分数进行模糊化,以减少实验中的参数,使其能够自适应。实验结果表明,所提出的异常分类和检测方法优于目前较为经典的方法。