随着各类传感器大量搭载于移动终端,时空数据大量累积,如何从海量数据中发现有效信息是当前研究的热点。异常检测作为时空数据挖掘的重要分支在军民领域有着重要应用,可广泛应用于金融欺诈、气候预测、动物迁徙、出租车异常行驶检测等领域,尤其军事上可通过检测异常及时预警,帮助决策者及时有效的对态势做出反应从而占据战场的主动权。目前,异常检测研究主要集中在具有时空约束的路网区域,如出租车异常行驶等,对无约束或约束较少的自由空间目标的异常检测研究贫乏,尤其处于高自由度空间的海空目标,其数据的大规模、无约束性使得异常检测成为难点。本文从海空目标的轨迹数据出发,引入时空数据挖掘相关方法,研究适合海空目标时空数据特点的实时的轨迹异常检测技术,并提出异常检测算法的评估准则,便于对不同模型的优劣比较。介绍了轨迹异常检测的基础知识。给出了异常的原理定义;基于时空数据特性,介绍了针对海空目标时空数据的预处理方法;提出了异常检测算法的模型评估准则,实现对异常检测模型的量化评估。基于日常监测中,海空目标的轨迹异常检测虚警率过高的问题,提出基于区域建模的轨迹异常检测算法。该算法关注目标的总体运动趋势而非细节。首先将目标轨迹转化成区域序列;应用序列模式挖掘的方法对区域间的转移关系建模;基于实际数据和模型对目标下一步活动区域预测;通过比对预测结果与实际结果判断轨迹是否异常。基于紧张态势中,对高召回率的异常检测算法的需求,提出了基于片段的轨迹异常检测算法。该算法在发现目标运动趋势异常的基础上,发现目标的细节异常。首先将轨迹划分成轨迹片段,构造轨迹片段的相似性度量矩阵;通过邻近子轨迹数目判断异常轨迹片段,进一步判断异常轨迹,最后将算法改进以应用到轨迹数据流的实时检测。构建并完善时空数据挖掘系统。该系统在原有系统的基础上改进,囊括数据管理、数据情况分析、数据预处理等基本模块,频繁轨迹挖掘、编群挖掘、轨迹预测、异常检测等主体模块,以及用于人机交互的可视化模块,实现了从原始数据到知识输出的完整流程。实验证明,该系统在保证原有功能的基础上,分别满足了日常监测和紧张态势中对异常检测的特殊需求,能及时有效的为决策者提供决策依据。