空间数据挖掘就是从空间数据库中抽取隐含的、以前未知、潜在有用的知识的过程，其应用涉及到国民经济与国防军事的各个方面，如地理信息系统GIS、气象领域、远程遥感、交通控制、城市规划、环境研究、地理经济、军事战略评估等。因此空间数据挖掘是一个很有发展前景的领域，也是目前的研究热点，而以人工智能技术为基础的分类算法为空间数据挖掘提供了新的支撑技术。　　 分类在数据挖掘中是一项非常重要的方法，正是在这种背景下对空间数据挖掘的分类算法进行了研究。　　 论文主要从以下三个方面开展工作：　　 首先，对空间数据挖掘中的技术之一数据分类进行研究。详细分析了现阶段比较常用的分类算法以及各自的优劣之后，重点分析了KNN(K-Nearest Neighbor)分类方法的思想，总结出了传统KNN存在的三个缺陷。　　 其次，比较了模糊粗糙KNN相对传统KNN方法的优势之后，从模糊粗糙KNN方法出发，基于先聚集后分类的思想，对模糊粗糙KNN方法进行了改进实现，改进的方法比模糊粗糙集KNN方法具有更好的时间性能，因此适合处理具有较大数据量的数据集。　　 最后，论文对改进的方法进行了详细而广泛的实验。实验主要分为两部分：首先验证参数对改进的方法的影响，接下来比较改进的方法与模糊粗糙KNN方法在数据量及属性个数变化后的可扩展性。实验显示了改进的方法在处理大数据集时的优势。　　 综上，论文从理论研究，实验验证两个层面进行，理论分析和实验验证了改进的方法的有效性和正确性。