智能移动终端的广泛应用提供了海量个体位置相关的时空数据。相比原始的时空轨迹数据,带有语义的活动轨迹数据更能直观的反应人类的具体活动。识别原始时空轨迹的活动语义有助于深入了解个体的生活模式,为个体提供定制化服务,同时也能进一步识别群体的共性特征和需求,从而优化社会资源配置。以往获取用户活动语义的方式是对用户进行问卷调查,该方法会消耗大量的人力与物力。全球定位系统设备和智能移动终端的大量普及,产生的大规模定位数据为活动语义识别提供了新的解决方案。以往一些研究是通过分析轨迹数据的空间信息或者时间信息来识别用户的活动语义。这些研究忽略了轨迹数据的时空紧密相连性和人类活动有着很强的周期性。本文基于以上问题,从原始轨迹数据和社交媒体签到数据中提取用户的空间特征和时间特征,挖掘出用户的周期模式特征,构建分类器和网络模型识别用户的活动语义。本文的研究内容包括:（1）针对时空轨迹的紧密相连性,提出了基于周期模式挖掘的轨迹时空特征表示方法。首先,根据轨迹的时空距离,使用密度聚类将原始的时空轨迹数据和社交媒体签到数据进行聚类,得到活动轨迹簇。然后,提取每个活动轨迹簇的参考点,得到活动参考点序列。最后,针对活动参考点序列使用Lomb Scargle周期图挖掘用户的活动语义周期。（2）在表示出个体轨迹周期模式特征的基础上,结合提取用户轨迹的空间特征和时间特征,提出使用随机森林和门控循环单元网络的方法来构建个体活动语义识别模型,进而识别用户的活动语义。通过与以往研究方法的对比,验证了本文方法具有更好的识别精度。（3）设计并实现了个体时空活动语义识别系统,集成了轨迹数据采集与仿真、数据清洗、活动语义识别演示等功能模块,可视化的展示个体时空轨迹中活动语义的识别过程和结果。实验结果验证了本文活动语义识别方法的有效性和具有更好的识别精度。在有无周期模式特征加入的对比实验中,加入周期模式特征能有效提升识别精度20%以上;在与其他活动语义识别方法的对比实验中,本文的识别方法表现出更好的分类性能,在NYC和TKY两个公开的签到数据集上识别精度分别提升了10.8%和23.7%。