随着近些年来大数据和人工智能的发展,如何利用大规模数据进行数据挖掘是各种行业人们比较关注的热点问题。最近几年,因为中国经济的发展改革开放,经济全球化合作日益加深,世界贸易90%都离不开海运,这就带来了海上贸易和交通活动增长迅猛,海上交通环境状况越来越复杂,而传统的人工监控海上活动变得越来越困难和严峻,因此迫切需要通过人工智能技术来辅助航海人员进行海上船只的监控和管理。航海安全性主要研究方向分为:船舶轨迹异常检测,船舶路径规划,船舶位置预测,船舶碰撞检测。而轨迹聚类是解决这些问题的关键和基础。对船舶轨迹的运动模式进行挖掘,传统的轨迹聚类方法通常需要根据数据量和轨迹类型,计算复杂度、噪声和其他影响因素来选择时空轨迹度量方法,而最佳相似性度量公式的选择需要大量的先验知识和广泛的实验,从而导致浪费了大量的计算资源和时间。针对上述问题,本文提出了一种基于卷积自编码器的船舶AIS轨迹运动模式提取算法,无需使用传统时空轨迹相似度度量方法。通过使用本文所提出的多特征融合自编码器分别提取船舶轨迹的位置特征,速度特征,航向特征的低维潜在表示并进行特征融合,之后对船舶轨迹进行聚类分析。该算法解决了传统轨迹相似度度量方法易受噪声干扰,运算需要大量时间和计算资源的问题。实验结果表明,该算法在保持船舶航迹主要运动特征的同时,具有良好的聚类性能,可以保持轨迹点的时序关系并减少轨迹点距离计算的偏差。最后,本文将训练好的算法模型部署在了Web平台中,利用目前流行的前后端技术在该平台进行整合实现基于卷积自编码器的船舶轨迹聚类系统,可以为用户提供API接口,充分满足用户的需求,方便用户使用。