海上交通监控和海上管理对船舶安全具有重要的意义。强制安装船舶自动识别系统(Automatic Identification System,简称AIS系统)和建立沿海船舶交通管理系统给海事监管部门带来了很大的便利,但是,海事部门监视海上交通的主要方式仍然是手动监视,这种方式既费时费力,又缺乏针对性,特别是在一些繁忙的港口很难依靠人工监控来满足港口的安全要求。为了实时监测船舶运动轨迹,自动发现异常船舶,防止海上危险活动,本论文提出一种基于机器学习的异常轨迹检测,并对船舶异常检测进行了研究。论文以AIS数据为样本,将聚类分析和机器学习结合,完成异常轨迹的检测。本文主要工作可以概括为以下四个方面:(1)AIS数据的预处理。在介绍AIS信息内容的基础上,对其进行数据库入库、提取、清洗、数据转换等处理,并根据地理范围获得大连港到烟台港的长方形范围的AIS数据,然后将复杂轨迹网络进行排序和分割得到一条条完整的轨迹,为后续的研究奠定基础。(2)采用基于轨迹结构相似性的聚类算法实现对大连港和烟台港附近海域的船舶轨迹的聚类分析。首先对一条条完整的轨迹根据航迹向的阈值进行轨迹分割,得到子轨迹集。在分析了轨迹的航迹向和位置距离的基础上,计算了子轨迹之间的相似度。通过基于轨迹结构相似性的聚类算法,实现了大连港到烟台港长方形范围的船舶轨迹的聚类,本文叉将获得的聚类结果进行了分析。聚类结果将大连港和烟台港附近水域中的轨迹分为6类轨迹。(3)将第二类的轨迹进行分类,区分出异常轨迹和正常轨迹,这是根据异常轨迹的判定方法,然后提取轨迹特征。具体过程,首先按照异常轨迹点的规则进行异常轨迹点判定,然后将所有轨迹的异常点数目在此轨迹点数目中所占的比值,由大到小排序,按照排序的顺序,前N%的轨迹为异常轨迹,标签为0,其余为正常轨迹,标签为1。轨迹分类之后,进行轨迹的特征提取,将所选区域进行网格划分,轨迹数据转换成图像数据。本文进行阈值N%的讨论,取N等于3、5、10和20,分别得到不同的异常轨迹数,通过异常轨迹检测得到不同的检测结果,并进行讨论。(4)最后,提出一种基于监督学习的异常轨迹检测。在实验过程中,将四种情况的训练数据和测试数据代入宽度学习系统与卷积神经网络中训练,得到四种情况的预测结果,再将预测标签与真实标签进行对比。实验结果表明,BLS模型的识别精度高于CNN模型,且BLS模型所用的时间也明显少于CNN模型所用时间。