随着移动互联网和移动定位技术的快速发展,海量轨迹数据得以汇聚。轨迹分类是时空数据挖掘领域的重要研究内容。近年来,不少学者将深度学习应用在轨迹分类领域,并取得了不错的进展,但如何有效利用轨迹的时空信息一直是一个研究难点。本文以提高轨迹分类精度为目标,立足于时空信息增强和神经网络模型构建两方面,针对数据集是否含有标签,开展有监督和无监督的轨迹分类研究。主要研究工作包括:1.在轨迹数据时空信息增强方面,针对轨迹运动特征呈现的移动物体行为模式不够全面、准确的问题,引入了停止状态和转向状态两个辅助特征来增强空间信息。同时,为了使轨迹特征数据中的时间信息更清晰、周期规律更明显,提出了基于递归图的时间信息增强方法。2.在有监督分类模型构建方面,首先针对输入数据的特点,构建了双自编码器模型来初步学习输入数据的高层次特征。其次,针对高层次特征数据分布的特点,提出基于预定义质心生成算法的分类层及其损失函数计算方法,能够进一步学习有助于有监督分类的高层次特征。无监督分类模型方面,则进一步提出了无监督分类模型。同样基于预定义质心生成算法,引入两种不同统计距离类型的损失函数来构建聚类层,能够确保模型学习到有助于无监督分类的特征。3.在模型训练方面,为了使训练过程能较快收敛且模型性能良好,提出了先预训练后联合训练的两阶段模型训练方法,以及动态损失函数权重的训练策略。此外,针对有监督和无监督的分类任务,分别制定了不同的模型停止训练的策略。4.为了检验本文方法的有效性,在Geolife和SHL两个真实世界轨迹数据集上进行对比实验。在进行消融实验后,对模型复杂度和数据采样率敏感度进行了分析测试。本文方法在Geolife数据集上,最高有89.5%的有监督5分类准确率、64.1%的无监督3分类准确率;在SHL数据集上,最高有89.6%的有监督5分类准确率、83.5%的无监督3分类准确率。结果较近年来代表性方法均有不同幅度的领先。