航迹聚类是处理航迹问题中的核心,通过选取不同的聚类算法对二次雷达数据中的航迹点进行聚类分析,在聚类的基础上提取出中心航迹,也即盛行交通流,将其应用到改善终端区的进场程序管制中,本文以航空器的实际运行航迹历史数据为研究对象,建立模型,选取不同的聚类算法对航迹数据进行分析,得到航空器的运行规律和特点。论文分析了影响聚类效果的因素,建立了新的航迹聚类模型同时提出了新的聚类方法,论文的主体部分如下:1.针对传统聚类算法只能处理少量的数据源,使得聚类效果不能真实地体现数据流的宏观特征,提出一种新的基于数据库的收缩型航迹聚类仿真模型,实验结果表明航迹聚类仿真的耗时从小时级降低至秒级,同时得到的航迹分布特征清晰,航空器运行特征和规律明显,验证了新模型对于海量数据的宏观特征提取具有可行性与优越性。2.针对传统的一些聚类算法在整个聚类分析过程中只考虑了航迹点三维坐标的聚类,未考虑到航空器航向变化以及高度下降值等因素对聚类结果的影响同时聚类过程中缺乏时间信息,本文提出了基于LOFC时间窗分割算法的航迹聚类研究,选取进场二次雷达数据作为仿真分析对象,仿真结果验证了新算法对于航迹点的聚类分析和离群点识别与剔除具有可行性与优越性。3.针对目前航迹聚类分析中中心航迹提取方面存在的问题,本文提出基于特征航迹简化模型的中心航迹的提取分析方法,有效地解决了处理中心航迹提取问题时经常会出现的转弯点缺失的问题,验证了新算法对处理中心航迹的提取这一问题具有有效性与可行性。