大数据人工智能时代,人们对全面、准确、实时的导航地理信息有着越来越强烈的需求。传统的导航地理信息获取方法主要包括实地测量、移动车辆车“扫街”和航测遥感图像提取。实地测量和移动测量车“扫街”技术下的数据获取周期长、覆盖范围有限,且后续处理工作大、成本高昂,而航测遥感信息提取技术虽然覆盖范围广、数据获取周期短,但存在技术难度大、提取信息有限等问题,严重的制约了导航地理信息及时采集和更新。目前,国内外仍然缺乏简单易行、经济实用的能够及时获取和处理这些信息的新技术。因此,如何大规模采集或者自动提取准确度高、现势性强的导航地理信息成为亟待解决的重要问题。近年来,定位技术的进步和定位设备价格大幅下降,大量汽车、手机、PAD等移动设备装置了GNSS接收器,几乎不间断地产生海量的带有时间和位置坐标的数据（称轨迹数据）。通过这些轨迹数据可以重建物体的移动轨迹,从中提取隐含的道路几何位置、交通规则、路网POI和实时路况信息,具有重要价值。这些轨迹数据源对交通路网覆盖度高、来源稳定、规模巨大、成本低廉、现势性好,为导航地理信息大规模自动提取提供了前所未有的机遇。本文基于大规模出租车轨迹数据,深入研究适合导航电子地图生产的导航地理信息提取关键技术,实现了对常规道路和复杂路口的几何信息提取、典型路网POI识别、以及全路网的行程时间预测,论文成果可为高效、低成本、精准、实时的导航地图生产和更新提供可行技术参考。主要研究内容和结论如下:（1）综述了国内外基于轨迹的导航地理信息提取现状,主要包括了几何路网信息提取方法研究、路网POI信息识别研究和路网行程时间估算与预测方法研究,并概括了路网几何骨架构建、复杂路口几何信息提取、路网POI识别和行程时间预测四方面待解决的主要问题。（2）针对当前基于轨迹的路网自动构建未考虑道路复杂度差异的问题,提出了一种顾及路网复杂度的路网增量构建算法。基于道路行车规则从粗糙轨迹数据中虑选出规整的子轨迹,利用信息熵计算待处理位置点周围路网复杂度,并据此自动调节合并参数,增量构建道路。基于北京市出租车轨迹数据对算法进行了验证,实验结果显示,该算法能自适应道路的复杂环境,有效提取路网骨架和道路的交通规则信息,对比同类典型算法,该算法构建路网减少了总体路网节点数量,提高了路网表达的精细程度。（3）针对当前复杂路口几何信息提取精度不高、难度大的问题,提出了一种基于数学形态学的多层次复杂路口识别方法。将路口区域内海量轨迹数据转化为对道路覆盖的密度位图,用滤波操作去除噪声,通过设置多个灰度阈值,用形态学方法提取多层次道路中心线,然后进行道路方向等拓扑信息提取和几何优化。基于北京市出租车轨迹数据对该方法进行了验证,实验结果显示,该方法能有效提取复杂路口几何信息和转向规则信息,而对比同类算法,该算法在提取精度上有所提高。（4）针对基于特征工程方法的路网POI识别率严重依赖人为特征选取的正确性,且识别率不高的问题,提出了一种基于卷积神经网络的典型路网POI识别方法。通过对典型路网POI区域内轨迹时空模式分析,提出适合卷积神经网络输入的轨迹表达模型,探索不同网络结构和超参数,实现了最佳路网POI识别卷积神经网络模型。基于北京市出租车轨迹数据对该方法进行了验证,实验结果显示,该方法能有效识别红绿灯、加油站和停车场等典型路网兴趣点,对比同类方法,该方法提高了的典型路网POI识别率。（5）针对经验规则方法和统计方法不适合大规模复杂路网行程时间预测问题,提出了一种基于图卷积LSTM的行程时间估算方法。对路网进行了形式化表达,定义了路网行程时间卷积计算,结合长短记忆网络（Long Short-Term Memory,LSTMs）实现了行程时间估算模型。基于提取的北京市城市路网对该方法进行了验证,实验结果显示,该方法能准确预测不同时段全路网行程时间,对比同类算法,该算法提高了行程时间的预测准确率。