Ter o conhecimento sobre o perfil dos habitantes de uma cidade ou país tem grande valor para a administração pública e empresas. conhecer o perfil de alguma população pode auxiliar o trabalho de planejadores urbanos, administradores de transporte público, serviços governamentais ou empresas de diferentes maneiras, como por exemplo decidir onde é interessante instalar uma nova loja ou personalizar anúncios para um determinado público. a forma mais comum de análise as informações demográficas de uma população é segmentando a mesma em perfis socio-demográficos, como idade, ocupação, estado civil ou renda mensal. atualmente, para que essas informações sejam descobertas e analisadas, os dados são coletados através de entrevistas realizadas de casa em casa, periodicamente em diversos países. no entanto, este tipo de abordagem possui algumas desvantagens: 1) os dados não são atualizados e precisos, pois são coletados em um intervalo de 5 - 10 anos; 2) a coleta é muito custosa, e cobrem apenas uma parcela da população por um curto período de tempo, apesar de serem estatisticamente significantes; 3) não coletam as atividades completas do indivíduo, apenas um dia de atividades, fornecida através da entrevista realizada. atualmente, é possível inferir muito conhecimento a partir do comportamento das pessoas utilizando seu movimento do dia-a-dia. nesta dissertação, é proposto um método para a extração de perfis socio-demográficos a partir de trajetórias de objetos móveis, realizando as seguintes contribuições: (i) proposta de um modelo de perfil geral para representar o perfil socio-demográfico de pessoas, como trabalhador, estudante, desempregado, etc; (ii) proposta de um modelo de histórico de objetos móveis para representar a movimentação diária dos objetos; (iii) proposta de funções de similaridade e de um algoritmo chamado t-profiles que realiza a comparação entre modelo de perfil e modelo de histórico, com o intuito de inferir o perfil socio-demográfico de um objeto móvel a partir de sua trajetória. o algoritmo t-profiles é validado utilizando dados reais de trajetórias, obtendo em torno de 90% de precisão.