GPS(Global Positioning System)等定位设备产生的轨迹数据具有易采集、成本低等优点,已经广泛应用于众多领域。这些轨迹数据可以用于路网更新、车流量预测等众多场景。但是由于轨迹数据中噪声数据的存在,如果直接使用原始轨迹数据会造成较大偏差,因此需要使用匹配算法进行纠正,与此同时,轨迹数据具有不同的采样率,存在冗余或缺失数据问题,因此针对不同采样率的轨迹需要特定的匹配算法进行高效精准地匹配,针对上述问题,本文进行如下研究:(1)针对现有基于轨迹点地图匹配方法存在重复匹配和噪声敏感的问题,提出一种基于轨迹分段的隐马尔可夫模型(Segment-based Hidden Markov Model,SHMM),用于高采样率轨迹的地图匹配,该匹配算法将原始的轨迹分为子轨迹段,从而避免了轨迹点的重复匹配,同时减少了噪声数据对匹配精度的影响,最终通过实验对比,本文提出的SHMM算法在匹配精确率、召回率和匹配时间上分别提高了2%、1%、5ms。(2)针对传统的基于几何距离度量的轨迹聚类算法存在的不适用于低采样率轨迹聚类的问题,提出一种基于相似路径的低采样率轨迹聚类算法,该算法基于最长公共子序列(Longest Common Subsequence,LCSS)方法计算低采样率轨迹之间的路径相似性,避免计算轨迹之间的几何距离。与传统的使用几何距离度量轨迹之间相似性的聚类算法相比,本文的聚类算法在低采样率轨迹聚类的精确率和召回率分别提高了4.7%和8.6%。(3)针对现有地图匹配算法存在采样率较低时匹配误差较大的问题,提出一种基于相似路径聚类的低采样率轨迹地图匹配算法(Trajectory Collaboration based Map Matching,CMM)。该算法使用基于相似路径的低采样率轨迹聚类算法对轨迹进行聚类,通过多条轨迹之间的相互补充在采样率较低的情况下也能表现出较高的匹配精度。通过实验与现有算法对比,本文CMM算法在精确率、召回率和时间上分别提高了1%、8%和25.4ms。综上所述,本文针对高采样率轨迹提出的地图匹配算法和低采样率轨迹的聚类及地图匹配算法,与现有方法对比,能够取得更高的效率和匹配精度,解决了现有地图匹配算法中的不足,同时证明了本文的研究具有较大的实际意义。