在当今全球经济飞速发展的背景之下,国际间的贸易往来日益增加,海上交通也愈发复杂。海洋中船舶数量的增加以及水域交通越发的复杂,海事部门对于船舶的监管的力度也随之更加严格,因此加强海上交通的管理变得十分的重要。本文将数量庞大的AIS海事数据进行解析和存储,并通过挖掘和分析大量的数据,获得特定海域内的船舶运动密集区域,为未来的海上航道构建、船舶路径规划提供辅助的依据与帮助,并通过AIS数据识别可能存在异常行为的船舶,进而提升海事监管能力与效率。论文通过分析国内外轨迹聚类、轨迹相似度判别等方向的发展现状,发掘目前AIS报文应用以及聚类模型可以优化的方向,结合现有主流大数据和机器学习的技术进行改良。基于流式计算技术提出新型的AIS报文解析框架,并通过实验进行验证,为后续实验提供数据支持。针对聚类模型优化问题,本文对于密度聚类参数设定问题进行研究,提出一种参数自适应的方法,避免了工作人员过多人为干预模型参数设定的问题。通过改进的轨迹压缩算法提高聚类框架整体的性能,并通过聚类实验分析挖掘特定海域内船舶运动密集区域,并进行船舶数据异常甄别,对于可能存在异常行为的船舶数据进行记录,对于海事监管以及主航道规划进行数据支持。