随着现代科技的进步,移动定位技术变得相当成熟,定位设备越来越普及,各行各业积累了海量的轨迹数据。该类轨迹数据包含时间戳、经纬度坐标、速度以及方向等信息,在现实场景中这些信息被实时采集且持续增加,形成了大规模的高速轨迹流。及时、有效的对轨迹流数据进异常检测,可以感知到移动对象的异常移动行为,继而揭示移动行为模式背后所隐含的特殊事件。轨迹异常检测的主要任务是识别与其他大多数轨迹具有明显差异的“少数”轨迹,进而及时发现异常的事件。面向轨迹流数据设计高效的实时异常检测方法,对安全安防、路径规划、道路设施优化等领域都有着重要的意义。目前,基于城市交通场景的轨迹异常检测的研究工作较少,而其中面向轨迹流的动态实时异常检测的研究工作更少,其原因在于城市车辆位置信息采样的频率各有差别,且轨迹容易受道路网络的影响。本文致力于轨迹异常的动态实时检测方法,主要研究内容和贡献概括如下:（1）基于相邻的轨迹异常检测方法在城市交通场景的异常检测任务中,针对车辆定位设备的采样时间间隔可能较大,且轨迹的几何特性容易受到道路网络影响等问题,本文提出了一种新的轨迹点和轨迹段相邻的判断标准,这个标准根据轨迹点是否被轨迹段“经过”来定义相邻,而不是单纯根据几何上的点到线段的距离来定义,在此基础上得到了一种新的基于相邻的轨迹异常定义。然后参考了倒排索引机制,构建了一种新的二级索引结构N-IID,借助它能够将搜索范围从整个地图轨迹缩小到待检测轨迹附近的少数轨迹。最后,结合N-IID索引,本文给出了轨迹异常检测的具体算法,并在真实轨迹数据集上进行了实验。（2）基于LightGBM的轨迹异常检测方法轨迹数据往往包含丰富的信息,例如位置、时间、速度、方向等,有时候还包括一些环境因素,例如天气、节假日等,这些信息综合起来反映了移动对象的某种行为模式。针对这一情况,本文提出了一种新的轨迹特征构建方法,并首次将基于LightGBM的算法应用于轨迹异常检测问题中,最后通过在真实轨迹数据集上的实验证明了它的优势。（3）MOASM:基于轨迹流的对象异常实时监测框架现实场景中面对的大多数是动态的轨迹流,而不是静态轨迹,如今网约车、共享汽车广泛普及,乘客的安全受到高度重视。基于这些原因,本文结合前面提到的异常检测技术,提出了一个基于轨迹流的对象异常实时监测框架MOASM,该框架能够实时检测移动对象的轨迹异常,对安全安防、路径规划等应用场景具有一定的参考意义。