我们提出了基于由单个参数参数化的运动模型（如布朗桥运动模型）的有效轨迹分割和分类算法。分割是将轨迹细分为内部关节部分的问题，以便每个部分的运动特性都是均匀的。我们利用模型参数的似然性对此进行了形式化，并在此基础上提出了一种新的轨迹分割算法。我们考虑了给定m个参数值的离散集的情况，并提出了一种算法来计算具有n个采样点的轨迹在O（nm）时间内相对于信息准则的最优分割。我们还提出了一种算法，如果我们允许从连续域中提取参数值，则可以有效地计算最佳分割。分类是将轨迹分配给具有相似运动特征的类的问题。例如，轨迹集可能是分割轨迹而产生的子轨迹，从而识别运动阶段。我们给出了一个算法来计算关于O（m）中信息准则的最优分类2+kmlog m）m参数值和k轨迹的时间，假设双音似然函数。我们还表明，如果允许参数值连续变化，则分类是NP-hard，并提出了一种算法，该算法在对输入进行温和假设的情况下，在多项式时间内解决问题。