El análisis de agrupamiento de trayectorias de aeronaves en el espacio aéreo terminal es propicio para determinar la estructura de ruta representativa de las trayectorias de llegada y salida y extraer sus patrones típicos, lo cual es importante para la gestión del tráfico aéreo, como la optimización de la estructura del espacio aéreo, la planificación de trayectorias y la predicción de trayectorias. Sin embargo, los métodos de agrupamiento actuales tienen un rendimiento deficiente debido al gran tráfico aéreo, la alta densidad y la compleja estructura del espacio aéreo en el espacio aéreo terminal. En los últimos años, el desarrollo continuo del Aprendizaje Profundo ha demostrado su poderosa capacidad para extraer características internas potenciales de grandes conjuntos de datos. Por lo tanto, este artículo intenta principalmente un método de agrupamiento de trayectorias profundo basado en autoencoders profundos (DAE). Con este fin, este artículo propone un método de agrupamiento de trayectorias basado en autoencoders profundos (DAE) y un modelo de mezcla gaussiana (GMM) para explorar los patrones de flujo de tráfico predominantes en el espacio aéreo terminal. El DAE se entrena para extraer representaciones de características de datos de trayectorias históricas de alta dimensión. Posteriormente, la salida del DAE se introduce en el GMM para el agrupamiento. Este artículo toma el espacio aéreo terminal del Aeropuerto Internacional Baiyun de Guangzhou en China como un caso para verificar el método propuesto. A través de la visualización directa y la visualización de reducción de dimensionalidad de los resultados de agrupamiento, se encuentra que los patrones de flujo de tráfico identificados por el método de agrupamiento en este artículo son intuitivos y separables.