近年来,很多学者和研究部门针对移动数据库对象的研究越来越重视,移动数据库的挖掘也逐渐成为现在基于移动设备位置服务的重要技术支撑之一。在智能交通控制系统、军事数字化战场、辅助驾驶系统中,实时、精确、可靠的移动对象不确定性轨迹预测具有极高的应用价值。智能轨迹预测不仅可以提供精准的基于位置的服务,而且可以提前监测和预判交通状况,进而推荐最佳路线,已经成为移动对象数据库研究的热点,亟需设计准确高效的位置预测方法,针对预测的许多方法被不断的提出并改进。本文旨在对当前移动对象轨迹预测方法进行深入研究,从预测误差和时间以及对噪声轨迹数据抗干扰性的性能方面进行提高。提出新的基于高斯混合模型的轨迹预测方法GMTP(Gaussian Mixture Model Trajectory Prediction),针对复杂和简单轨迹利用高斯混合模型和高斯过程分别建模,进而挖掘出轨迹中多样的轨迹模式。相比于隐马尔可夫模型,Kalman Filter,时间连续贝叶斯网络预测模型不仅在预测误差和时间上提高了,也对噪声数据有一定的抗干扰性。然后提出一种基于社交化的融合用户相似度位置地点推荐算法,并进行实验对比验证考察性能优势。最后结合轨迹预测算法和改进的快速随机搜索树算法开发了三种场景下的仿真系统。本文的主要工作如下：(1)提出了一种新型的道路中移动对象轨迹预测算法GMTP,详细阐述了针对复杂运动模式利用高斯混合模型建模过程以及采用EM算法训练模型,然后利用高斯混合模型计算不同运动模式的概率分布,进而将轨迹数据划分为不同分量,最后结合高斯过程回归预测移动对象最可能运动轨迹。(2)基于真实MIT车辆轨迹数据集,对三种轨迹预测算法进行性能比较。作为高斯非线性概率统计模型GMTP,计算结果不仅是位置预测值,更是关于移动对象未来所有可能运动轨迹的概率分布,可以利用概率统计分布特性获得某种运动模式(如匀加速运动)下的位置预测。经过大量实验对比：相比较相同参数设置下的高斯过程回归预测(GPR)和卡尔曼滤波预测法(Kalman Filter), GMTP的预测准确性平均提高22.2%和23.8%,预测时间平均缩减92.7%和95.9%。(3)提出一种基于社交网络的融合用户相似度的位置推荐算法,将社交图谱中的好友熟识度和兴趣图谱中的用户兴趣相似度相结合得到新的用户相似度,然后计算用户对未签到的位置地点感兴趣度。最后使用真实的Foursquare签到数据进行三种算法各种性能实验对比。(4)结合本文提出的预测算法和改进的扩展快速随机搜索树,开发了不确定环境下移动对象路径规划和避障导航仿真系统,通过仿真实验展示移动对象在不确定环境下使用改进路径规划算法和GMTP预测障碍物轨迹实时搜索路径。