移动轨迹数据是地理时空大数据的重要组成部分,同样存在时空分布规律与尺度特征,且其海量化、多元化、实时化、网络化等特征,使得数据处理、传输与分析更加需要自动综合与尺度变换的支持。与其它地理空间数据相比较,轨迹数据同时具有独特的时间、空间与语义特征,其信息化简与特征提取有着不同的自动综合策略。本研究主要针对当前定位技术与位置服务所面临的轨迹数据,以GPS轨迹为对象,采用时空与语义信息融合的手段,通过引入移动轨迹的地理环境,探讨移动轨迹时空、语义及其尺度特征,建立基于时空-语义融合的移动轨迹表达模型,在此基础上提出了移动轨迹的分段综合的策略与自适应综合方法,从而为移动轨迹大数据分析与挖掘提供基础支撑。概括起来,本文的研究内容与成果主要包括以下五个方面:（1）分析了移动轨迹的特征。移动轨迹并不是一类地理实体,它是移动对象以某种目的,在地理空间环境中移动而留下的痕迹,它是受地理环境约束的,具有动态时空信息。因此,移动轨迹数据作为一类特殊的地理时空数据,它具有数据精度不稳定、时空信息一体化、语义信息丰富以及空间尺度模糊等特性。本文从移动轨迹的时间特征、空间特征、语义特征以及尺度特征等方面进行了分析,提出了移动轨迹的“四种空间特征”、“四种时间特征”以及“四种时空融合方法”,探讨了轨迹的语义概念内涵与分类,提出了移动对象、地理空间环境、移动方式、采集设备等四种轨迹语义类别,论述了轨迹的时间尺度、空间尺度、语义尺度特征,并建立了其空间尺度与时间尺度之间的转换关系式以及讨论了语义尺度与时空尺度之间的一致性关系。（2）构建了时空-语义融合的轨迹表达模型。移动轨迹的时空表达通常为由时空点构成的序列,移动轨迹的语义表达模型目前较为常用的Stop/Move模型和CONSTAn T模型,该两种模型各有自身的适用场景,且在时空-语义同步分析以及尺度化分析中各有不足。基于此,本文提出了两种时空-语义融合的轨迹表达模型:分别为基于轨迹点的时空-语义一体化表达模型和时空-语义关联的轨迹表达模型。前者直接对轨迹时空点增加语义信息,从而进行一体化表达;后者采用语义结点表达语义信息,再和时空点进行关联表达。此外,针对时空-语义关联的轨迹表达模型构建,提出了基于聚类算法的轨迹停留段提取方法,设计了轨迹语义段匹配方法,并通过实例验证。（3）提出了基于语义约束的轨迹分段综合方法。移动轨迹隐含着路网语义、停留地点语义等各种地理空间环境语义信息,其综合的目的并不是简单的进行时空轨迹压缩,而是以语义轨迹分析与信息挖掘为目的信息表达与综合化简,因此,需要考虑轨迹语义信息及其语义综合。本文在时空-语义关联表达模型基础上,构建了一种时空-语义融合的轨迹综合框架——基于语义约束的轨迹分段综合,具体包括轨迹的语义综合方法、轨迹停留段的综合方法和轨迹移动段的综合方法。通过个人GPS轨迹数据试验验证,该综合方法在保持较好的时空精度的同时还能提供较大的压缩率,并且也可以得到多尺度语义信息,能适用于不同场景的分析需求。（4）提出了基于特征点排队的轨迹综合方法。对于诸如车辆运行轨迹,由于其数据量巨大且与路网紧密相关,其综合目标多为获得高精度高压缩率的数据,使得综合后的数据在时空特征以及路网语义特征保持较好。因此,通过时空-语义一体化来表达移动轨迹,以轨迹点为评价对象,分别评价轨迹点的时空特征和路网语义特征,从而建立轨迹点的时空特征队列以及顾及路网语义的时空特征队列,最后按照一定的压缩比例综合轨迹。通过不同时间尺度的出租车轨迹数据进行验证,表明本方法在算法效率、综合精度以及路网特征点保持上较之前方法都有不同程度的提高。（5）建立了轨迹综合质量的评价指标。在原有时空特征精度评价指标的基础上,结合轨迹路网匹配,提出网络同态距离误差和匹配同态距离误差两种改进的时空特征精度评价指标;并针对语义精度评价,提出了停留语义段的数量和停留语义段的正确率两个评价指标。