针对社会安全事件中异常行为信息识别挖掘难等问题，提出一种基于改进密度聚类与模式信息挖掘的异常轨迹识别方法。首先，针对采样问题，结合Hausdorff距离思想重新定义一种改进型DTW距离，用于描述轨迹具体行为，而MBR距离下的延伸定义，则用于描述轨迹覆盖区域热度。其次，在CFSFDP算法的密度关联与决策模型下，基于支持向量机回归（SVR，support vector regression）提出了特定支持向量机回归（SSVR，specific support vector regression），利用针对性改良下的回归差异非线性识别类中心，实现类的智能识别。最后，通过2种密度下的类识别，实现更多异常模式信息的挖掘与3种异常轨迹识别。结合上海市与北京市出租车轨迹集进行了仿真实验与数据分析，验证了算法在轨迹聚类异常识别方面的有效性。与传统方法相比，类发现能力提高了10%，异常轨迹信息得以区别与丰富。
