近年来,随着海运在国际贸易运输中的比重不断上升,针对船舶自动识别系统（Automatic Identification System,AIS）轨迹数据进行挖掘分析的相关研究也越来越多,但是现有方法并未对AIS轨迹数据以及港口特征间的内在联系进行深入挖掘与研究,大都只是提出了针对港口某一特征的分析方法,且部分方法只对特定港口具有较好的效果,适用性较低。本文针对该问题展开深入研究,研究并实现了基于AIS轨迹数据挖掘的港口特征分析系统。首先,为提高挖掘分析效率,降低冗余数据对分析结果的影响,本文针对性地提出了轨迹压缩算法。其次,为对相关港口特征的分析提供方法支撑,本文提出了港口月度货物吞吐量预测模型。最后,在上述研究基础之上并通过设计针对性的数据挖掘与分析方法,本文提出了港口特征分析模型,并实现了相应的原型系统和数据可视化功能。本文提出了基于卷积神经网络的轨迹压缩模型。该模型通过针对性的特征工程对轨迹点进行特征提取,然后再利用训练好的神经网络根据提取特征进行轨迹点分类,基于分类结果,通过子轨迹压缩算法将轨迹拆分后,再分别对子轨迹进行压缩,最后通过局部轨迹点置换算法对压缩子轨迹进行优化,显著降低了轨迹的压缩误差。本文通过大量实验数据对其压缩效果进行了测试,验证了其有效性和可行性。本文提出了基于深度集合神经网络的港口月度货物吞吐量预测模型,该模型通过构建深度集合神经网络并基于当月到港船舶载重吨、在港停时以及进出港吃水深度差所构成的特征序列集合来对港口当月的货物吞吐量进行预测,同时为进一步提高模型的预测准确性,本文还进行了针对性的数据预处理操作以及特征工程,并基于改进的粒子群算法来对神经网络的超参数进行优化,并通过与不同模型进行对比实验,验证了其预测准确性。本文进一步提出了基于AIS轨迹数据挖掘的港口特征分析模型,设计并实现了包括对港口周边路网车流密度、港口连通性指数、港口船舶平均每装卸千吨货在港停时与平均船时量、港口碳排放量以及港口月度货物吞吐量几个特征的分析与计算方法。该模型通过对船舶AIS轨迹等数据进行挖掘实现了对上述特征的分析。并结合相关权威报告结果对其分析准确性进行了评估。基于以上的工作本文还实现了基于AIS轨迹数据挖掘的港口特征分析系统,并实现了数据可视化功能。系统测试表明,本系统能正常响应用户的港口特征分析请求并对返回的包括港口连通性指数、月度货物吞吐量以及港口碳排放量等多项分析结果进行可视化展示。