营运车辆在出厂前必须安装卫星定位装置并接入监管平台,随着时间的积累,当前已经产生了海量基于GPS的营运车辆轨迹数据。轨迹数据不仅记录了车辆的位置和状态信息,其中还蕴含着大量的语义信息、轨迹段间的相关性以及大量未被挖掘的模式。因此挖掘营运车辆的轨迹数据、分析营运车辆的运动模式和行为特点对运输企业的管理和监管有重要意义。本论文基于502辆营运车辆的历史轨迹,提出了七种基于特征阈值的不良驾驶行为识别模型以及一种基于自适应半径的轨迹聚类算法。基于识别出的不良驾驶行为数据,提出了一种用于路网中热点分析的聚类算法RN-DBSCAN。本论文的具体研究内容如下:（1）基于营运车辆轨迹数据,对数据进行了清洗并提取了加速度、转向加速度、车速稳定性等特征。基于轨迹中的原始特征及提取出的特征设计了 7种不良驾驶行为识别模型。统计识别出的不良驾驶行为在时间和空间中的分布,得到了各个不良驾驶行为的频发时段和地区。（2）为挖掘不良驾驶行为分布的热点区域,本论文提出了一种用于路网中热点分析的聚类算法RN-DBSCAN。为了准确度量路网中两个事件之间的距离,设计了平面路网距离作为算法的相似度计算方式。通过计算聚类结果的轮廓系数和CH指数以及可视化分析,发现RN-DBSCAN对路网中数据有更好的聚类结果。（3）为对营运车辆轨迹进行聚类分析,对经典的轨迹聚类算法TRACLUS进行了改进。在轨迹分段阶段,考虑到路网中轨迹分布的规律性,提出了一种简单可靠的车辆轨迹分段算法。在聚类阶段,提出了一种基于自适应半径的聚类算法。基于1523条营运车辆轨迹,验证了改进后的算法在效率和聚类效果上均优于TRACLUS算法。