随着信息技术的迅速发展,带有定位功能的移动终端应用在各个领域中,使得大量的时空轨迹数据不断产生。合理的挖掘方法可以在减少数据冗余的同时挖掘出其背后的隐含信息。本文在对数据挖掘算法以及时空频繁轨迹模式挖掘算法进行研究与分析的基础上,提出了基于时空轨迹数据的热点区域发现算法和区域重构算法。同时,对时空频繁轨迹模式挖掘算法进行了研究与改进使用,主要研究内容如下:首先,针对现有空间聚类方法时间开销大,且不适应时空数据特性的问题,提出了一种基于网格聚类和时空密度聚类的算法DPCluster。在空间范围内进行网格划分和轨迹投影,并计算每个点邻域内所存在的密度直达点数量和点与点之间的空间距离,找出符合密度阈值的核心轨迹点和邻域对其合并,得到时空数据的候选热点区域。其次,为了解决时空轨迹数据因数据密度不均匀,导致的密度聚类算法分类效果不理想的问题,提出了基于面积和轨迹时空属性的热点区域重构算法DPRebuild。该方法能对不满足面积约束的簇进行区域重构,解决了类簇面积过大致使热点区域特征不突出的问题,改善了密度聚类算法在密度不均匀数据上的分类效果。最后,为更有效的挖掘出时空序列数据的频繁模式,提出了基于时空轨迹频繁模式挖掘算法BOTM-mining,用于找出时空轨迹中的频繁位置序列。根据提出的频繁模式处理模型,先将地理空间中的时空轨迹转换成带有时间属性的轨迹序列,然后通过构建处理模型压缩存储时空信息来分离时空数据中的支持度信息、序列信息和挖掘所需的索引信息,之后再通过基于前缀树方法递归生成投影数据库完成挖掘。实验结果表明表示该方法有效可行。