准确而又快速地挖掘出移动目标轨迹中的停留区域，进而对目标行为展开进一步分析是轨迹处理的常用流程。近年来，随着各种小型GPS定位设备在日常生活中被越来越广泛地使用，研究人员可以轻易地获得大量记录用户日常出行的轨迹数据。在现有的工作中，轨迹通常被分割成停留轨迹段和运动轨迹段，停留轨迹段对应于目标在停留区域内活动所产生的轨迹数据，且是轨迹中最重要的轨迹段。传统的目标停留区域挖掘技术多采用传统的轨迹特征作为判别依据，如速度、加速度。通过对单个或多个特征制定不同的阈值，从而得到不同的判别规则。人工设定的特征阈值对于检测结果具有巨大的影响，限制了传统的目标停留区域检测方法的运用，而且传统的轨迹特征不能较好地区分轨迹中的停留和运动部分;鉴于停留区域检测在目标行为分析研究方面的重要作用，如何引入新的轨迹特征和改进挖掘方法以提高停留区域的检测准确性是轨迹研究领域需要解决的基础问题之一。　　本文结合了实际应用的需求,对实际目标活动轨迹的时空特征和轨迹点的分布特点进行了分析，研究了目标轨迹停留区域的挖掘方法。进而利用本文所提出的停留点检测技术，在真实数据集上对轨迹目标的行为进行了分析，包括目标的出行热点区域和频繁路径。综合全文，本文的研究内容包括如下几个部分:　　1、针对传统的轨迹特征不能较好地区分真实轨迹中的停留段和运动段的问题，结合轨迹点的实际分布特点，本文提出了用于表征轨迹运动的新特征，即move ability特征。该特征可以很好地区分目标运动轨迹中的停留段和运动段，从而可以更好地用于目标的停留点检测技术中。　　2、本文解决了传统的目标轨迹停留区域检测算法需要人工设定参数阈值的问题。在所提出的move ability新特征的基础上，本文引进了数据场理论知识，构建出了一种新的基于多特征的轨迹点密度度量模型，在该模型中密度参数阈值是自动选取的。在新密度衡量模型的基础上提出了改进型DBSCAN算法，用于从目标轨迹中自动检测停留区域;　　3、利用停留区域检测算法，本文得到轨迹段的语义表示并对目标的活动信息进行了挖掘研究。本文将活动轨迹段转化为表征目标活动的区域序列，通过对目标的所有停留区域的分布进行分析，利用决策图(decision graph)方法挖掘得到目标活动的热点区域，并对Apriori算法进行了相关改进，利用改进后的Apriori算法得到目标活动的频繁路径。