Los rastros de movimiento son datos esenciales para la detección de objetivos y el reconocimiento de comportamientos asociados. Los estudios previos han utilizado secuencias de tiempo y ubicación, mapas de rutas o videos de seguimiento para establecer modelos matemáticos de reconocimiento de comportamiento. El enfoque multimodal rara vez se ha considerado debido a la limitada modalidad de los datos de detección. Con el rápido desarrollo del procesamiento del lenguaje natural y la visión por computadora, el modelo multimodal se ha convertido en una opción posible para procesar datos de múltiples fuentes. En este estudio, hemos propuesto un modelo matemático para el reconocimiento de comportamientos de aeronaves con modos de datos conjuntos. La abstracción de características, la fusión cruzada modal y las capas de clasificación están incluidas en el modelo propuesto para obtener características multiescala y analizar información multimodal. Se ha prestado atención en proporcionar evaluaciones de auto y cruz-relación sobre los datos espacio-temporales y geográficos relacionados con un objeto en movimiento. Hemos adoptado tanto una red feedforward como una función softmax para formar el clasificador. Además, hemos habilitado una fase de aumento de modalidad, combinando secuencias de longitud y latitud con mapas geográficos relacionados para evitar datos monótonos. Hemos recopilado un conjunto de datos de trayectorias de aeronaves de secuencias de longitud y latitud para validación experimental. Hemos demostrado el excelente rendimiento de reconocimiento de comportamiento del modelo propuesto junto con la fase de aumento de modalidad. Como resultado, nuestra metodología propuesta alcanzó la mayor precisión del 95.8% entre todos los métodos adoptados, demostrando la efectividad y viabilidad del reconocimiento de comportamientos basados en trayectorias.