随着技术的不断进步，针对各种移动对象的服务也越来越多，移动对象的轨迹数据作为移动对象的历史活动数据，在某种程度能够体现移动对象的属性、状态、行为等内外部特征。本文以数据挖掘中的异常检测与关联分析技术为基础，针对移动对象的两种轨迹：正常轨迹与异常轨迹，分别进行了相关研究。论文主要工作如下：1.基于轨迹划分的异常轨迹检测方法针对现有的轨迹异常检测方法不能检测出异常子轨迹的缺点，提出了一种基于轨迹划分的异常轨迹检测算法Partition_Detection。该方法分为两个阶段，首先采用两种分段粒度将每条轨迹分为若干子轨迹线段，以确保分段结果的有效性与算法的高效性，得到的子轨迹线段集合将用于下一阶段的异常检测。然后，在基于距离的异常检测方法的基础上，引入调整系数的概念，提出了一种密度与距离相结合的检测方法。该方法提高了异常轨迹检测的质量，同时避免了稠密区域漏检的情况发生。实验结果表明，Partition_Detection算法可以成功检测出异常子轨迹，并且可以检测出稠密区域中的异常轨迹。此外，算法性能令人满意，基于两种粒度的轨迹划分策略可以剪枝掉大量的粗粒度子轨迹线段之间的两两比较，大大提高算法的运行效率。2.基于AprioriAll算法轨迹关联模式挖掘方法在剔除异常轨迹的基础上，运用数据挖掘算法中的关联分析算法挖掘出剩余轨迹中的关联模式。首先，基于AprioriAll算法，提出了一种逻辑比较简单、清晰但有效的适用于轨迹数据集的关联模式挖掘算法Pattern_Mining。根据事先设定的最小支持度与置信度阈值，挖掘出所有长度的频繁轨迹序列，并生成相应的关联规则。然后，在Pattern_Mining的基础上，提出了一种基于数据库增量更新的关联模式挖掘算法Pattern_Mining_UP。该算法只对部分频繁轨迹进行挖掘，充分利用了原有的频繁轨迹集，避免了冗余操作，提高了挖掘效率。实验结果表明，Pattern_Mining算法可以正确挖掘出轨迹集中的关联模式。此外增量式的Pattern_Mining_UP算法性能同样令人满意，当数据集迅速增加时，增量式挖掘可以大大提升挖掘效率，减少运行时间。