空间数据挖掘(Spatial Data Mining，SDM)是指从空间数据库中抽取隐含知识、空间关系或非显式存储在数据库中有意义的特征或模式。该技术在理解空间数据、获取空间与非空间数据间内在关系方面具有重要意义。由于近年来空间地理信息系统(Geography Information System，GIS)广泛地应用到各个行业中，积累大量与空间位置相关的空间数据，因此空间数据挖掘研究己成为当前研究的重要课题。本论文正是在这种背景下，在系统地讨论空间数据挖掘的基本理论的基础上，对空间数据挖掘的若干关键技术进行重点研究，论文研究成果可归纳如下：1．在总结已有研究工作的基础上，研究了位置-属性一体化的实体信息模型，并分析了3种空间距离测度，可以作为空间计算的基础准则；通过对空间权重矩阵进行拓展，介绍了空间实体关联矩阵的概念，并分析建立方法，为空间数据挖掘提供了新的基础工具。2．描述了基于模型聚类的混合模型和基本的期望最大化算法(ExpectationMaximization，EM)算法，尽管EM算法具有普遍性，但是它在实际应用中还是常常受到计算效率的限制。EM算法每一步的迭代中需要遍历所有的样本点。如果数据集非常大，则计算强度也会增加。因此，提出了基于随机子样本的节省计算的递增EM(IncreasingEM，IEM)算法，该算法运行在子集而不是完全样本集上，每一次迭代中，只有较少的样本点需要被估计，这使得算法在运行时间上具有可观的改善。通过EM高效的似然判断条件和增量因子，可以对样本子集的容量自动选择。IEM算法提高了计算效率，并且不需要牺牲似然估计的精确度。3．由于EM算法不适合空间聚类对空间信息的要求，而邻域EM(Neighborhood EM，NEM)算法虽然结合了空间惩罚项，但是NEM在E-step步需要大量的迭代。为了既能满足空间信息的要求，又能避免过多的计算量，利用IEM的思想，提出了EM与NEM二者相结合的混合递增NEM(Mixed Increasing EM，MNEM)算法，算法首先在随机子样本中进行EM训练，直到似然判断条件下降，根据增量因子进行样本更新，然后样本转向NEM训练一次，如此进行循环递增的交叉训练，使得计算量降低，性能提高。4．在包含被相关属性集合所描述的谓词的空间数据库里，进行多概念级空间关联规则挖掘。一个多级关联规则模式是一个频繁谓词集合，在这个集合里，所有构成谓词的项目分别有一个确定的概念层次。本文提出了在空间数据库中挖掘多概念级空间关联规则的新算法，该数据库中存储了经过空间查询和空间计算所获得的空间谓词，并且依据关系表R的空间关系建立母元素表和频繁类匹配表，这使得多概念级空间关联规则挖掘更加方便和有效。5．方位信息是图像数据库中最重要的信息类型之一，而9DLT(Nine DirectionLower-Triangular Martix)表达形式是方位表达的基本方法，据此提出了一种在图像数据库中根据空间方位关系挖掘空间关联规则的(9DLT Image Mining，9DIM)算法，在这里每幅图像都被初始化为9DLT字符串，形成类似于事务数据库的图像模式数据库，每个9DLT字符串(图像)代表一个事务。以图像对象之间的关系模式，建立频繁k-1(k＞2)模式库，并由频繁k-1模式库构造频繁k模式树的方式，依次可以发掘到所有对象间的频繁模式。比Apriori算法更加有效。