近年来,随着RFID、WiFi、蓝牙等室内定位技术的发展,采集室内空间中移动对象的轨迹数据已成为可能。调查表明,人们87%的时间都是在室内活动,室内导航、室内空间规划、室内热点路径推荐等应用服务的需求日益丰富。这些应用需要对室内移动轨迹进行分析挖掘,以得到潜在的知识。室内轨迹聚类是移动轨迹分析的关键技术之一,可发现室内对象的移动模式、位置偏好、热点路径等。但是由于室内外环境在定位技术、空间约束和距离度量等方面的差异,现有多数轨迹聚类分析技术并不适用于复杂的室内空间,支持的室内空间模型单一,不能适应多样化的室内空间,同时缺乏对室内空间复杂轨迹的语义描述。针对上述问题,本文围绕室内移动轨迹分析,重点研究两方面内容,即室内移动轨迹的相似性度量和室内轨迹聚类算法。首先本文根据室内移动轨迹的空间和语义特征,设计了一种基于RFID位置语义的室内轨迹相似性度量算法,该算法对原始轨迹进行了特征点提取,可简化轨迹以降低算法时间复杂度;接着从空间形状和位置语义两个方面加权计算轨迹相似度,其中空间相似度通过定义适用于室内三维空间的距离函数来计算,语义相似度计算基于最长公共子序列思想,并考虑移动对象在轨迹点的到达时间和停留时间。在此基础上,本文提出一种基于室内轨迹相似度的层次聚类算法,利用线性表结构对数据存储进行了优化;同时,为了提高算法的计算速度,引入Spark的分布式计算框架实现聚类算法的并行化。实验结果表明,本文提出的算法能有效地进行室内轨迹聚类,大大提高了时间效率,并能较好地适应大规模数据。