空间聚类，作为空间数据挖掘的一个重要分支，是根据某个相似性准则对空间实体集进行自动分组，达到组内差异最小、组间差异最大的过程。从某种意义上讲，空间聚类也可以看作是一种约束聚类，空间结构是聚类的约束条件。由于空间聚类的研究对象空间数据本身的特性以及空间对象之间具有复杂的关系，使得一般的聚类算法适用于空间数据时往往会遇到以下几个重点与难点问题：(1)聚类算法的效率问题，(2)带约束条件的聚类问题，(3)空间与属性一体化聚类的问题，(4)聚类的可解释性与可用性问题。 为此本文提出一种以Delaunay三角网为基础的层次空间聚类算法，充分运用Delaunay三角网所具备的最近相邻性、唯一性等特性，来维护空间对象之间的邻近关系，利用邻近关系还可以缩小计算两两对象之间距离的搜索空间，同时结合空间对象相互作用中的引力模型，实现将空间对象的邻近关系与其属性特征一体化作为相似性准则，综合对象间的相邻关系和空间障碍物作为约束条件进行聚类。 在面状数据聚类中，离散的面状数据可以转换为点状数据进行处理；而连续的面状数据可以利用其自身的空间邻接关系来构建邻接图来实现相邻约束的聚类，然后利用两地交通距离来代替原始的欧式距离，来解决障碍约束的聚类问题。 在上述理论研究和算法设计的基础上，本文结合空间聚类可视化问题，利用.NET开发平台实现了本论文提出的两个聚类算法，并给出了聚类分析在城市群划分与居民地综合过程的两个应用实例，对本文所提出算法的有效性进行了验证。