随着大数据时代步伐的到来和智能移动以及智能通信设备的普及,海量的空间数据充斥在人们的生活中。如何利用这些海量的数据,挖掘有趣的知识和规律,来改善人民的生产和生活,是一个迫在眉睫的问题。空间数据具有高维性、不确定性等特征,使得传统的数据分析技术在处理海量空间数据时存在诸多的局限性。近几年来,随着空间数据挖掘技术的逐步发展和日趋成熟,处理和分析海量空间数据并将其进行实际应用已成为研究的重要目标。空间频繁Co-location模式挖掘是空间数据挖掘领域中的一个非常重要的研究分支。空间频繁co-location模式是一组空间特征的集合,其特征的实例在地理空间中频繁的邻近在一起。传统的co-location模式挖掘方法通常根据用户给定的单一邻近阈值来确定邻近关系。然而,使用的单一阈值在实际挖掘过程中存在诸多局限性。首先,“邻近”在生活中是一个相对且模糊的概念,使用单一阈值很难准确描述所有实例之间的邻近关系;其次,由于空间数据分布的多样性,对于密度跨度较大的数据集中的实例,使用单一距离阈值往往不能得到所有实例间完整的邻近关系,以至于对挖掘结果产生影响;第三,使用距离阈值度量,使得常规的co-location模式挖掘中必须反复计算和检查各个实例之间的邻近关系,这个过程需要消耗大量的计算时间和存储空间。为解决以上问题,本文首先介绍了传统co-location模式、聚类算法和模糊理论的基本定义和概念;第二,提出了一种基于密度峰值聚类和模糊理论的频繁co-location模式挖掘的新框架和算法,通过引入密度峰值聚类方法,并结合模糊理论,实现了空间数据的重叠划分,提出了模糊邻近关系、模糊团关系,模糊参与度等一系列定义建立了基于密度峰值聚类和模糊理论的co-location模式挖掘的框架;第三,设计了DPC-MCP算法,能够相对高效的挖掘空间频繁co-location模式;第四,在真实数据集上与传统算法进行了大量的对比实验,其结果证实了DPC-MCP算法的实用性和高效性。