随着智能手机和基于位置服务（Location Based Service,LBS）的软件的广泛使用,越来越多的人们开始使用这些软件对去过的地方进行签到,因此积累了大量的移动轨迹数据,给从轨迹数据中学习用户移动模式提供了前所未有的契机,这也将帮助提升一系列基于地理位置的业务以及管理应用,例如:位置推荐、异常的轨迹检测、犯罪辨别和流行性疾病追踪等。针对用户轨迹数据存在的稀疏性和嘈杂性以及现有的模型存在隐式反馈和弱监督等问题,本文提出了一个基于自监督移动学习（Self-supervised Mobility Learning,SML）的框架,该框架应用在用户位置预测（SML-LP）和轨迹用户分类（SML-TUL）两个子任务上。第一,SML框架主要利用辅助任务（Pretext Tasks）从大规模的没有标注的数据中挖掘出数据本身的监督信息,通过构造监督信号对模型进行训练,可以学习到对下游任务有用的表征;第二,SML是为稀疏和嘈杂的用户轨迹数据建模而设计的,通过利用丰富的时空上下文信息和增强的数据来改善轨迹的表征,可以增强模型的泛化能力;第三,SML提供了一种原则性的方法来描述内在的运动相关性,同时解决了现有的基于模型的方法中隐式反馈和弱监督问题;第四,SML在时空数据训练中引入对比实例判别法,明确区分真实用户签到点与容易被错误预测的负样本签到点。针对现有的模型性能较差和对比损失函数中存在正负耦合效应（NegativePositive-Coupling,NPC）等问题,本文提出了一个基于解耦对比移动学习（Decoupled Contrastive Mobility Learning,DCML）的框架,该框架应用在位置预测任务上（DCML-LP）。第一,DCML通过解耦对比学习（Decoupled Contrastive Learning,DCL）的目标函数,解决了轨迹正负样本中的存在的NPC效应,这个解耦操作明显提高了自监督移动学习的效率;第二,DCML去除了NPC乘数,使模型不需要依赖于较大的批处理数量来实现自身竞争性能,同时也缓解了对计算机计算性能的要求。本文在多个真实世界的数据集上对模型展开了评估,将本文提出SML和DCML框架与之前的基准方法进行比较,实验结果表明,本文的方法的性能更优越,可以改善基于位置的服务的准确率。