中国是目前最大的能源消费国和CO2排放国,现阶段中国仍处于快速工业化和城镇化阶段,碳排放总量较大且增速较快,因此中国面临巨大的减排压力。中国在2020年9月22日举办的第七十五届联合国大会上提出将CO2排放力争于2030年前达到峰值,努力争取在2060年前实现碳中和。在减排的目标驱动下,需从更小的尺度上对碳排放的空间分布进行研究。传统能源消费碳排放的估算大多利用国家及地方统计局的统计数据,存在获取时间滞后性、人为影响较大、缺乏精细尺度上的空间分布动态等缺陷。因此,结合夜间灯光数据估算多个尺度尤其是精细尺度下区域能源碳排放,有助于为制定差异化的节能减排目标提供参考。京津冀、长三角和珠三角三个城市群作为经济发展和能源消耗的重点区域,深入分析三大城市群碳排放的时空分布特征和影响因素,有助于为实现低碳发展和产业结构优化提供可靠的数据支撑。本文基于2014-2019年三个城市群的能源消费统计数据,利用遗传神经网络构建能源消费碳排放量的拟合模型,借助夜间灯光数据实现了市、县及精细尺度上的能源消耗碳排放量的估算。在此基础上,使用线性倾向估计法、空间自相关模型和核密度函数分别测度三大城市群的碳排放时空格局演变特征。最后,分析了三个城市群中坡度、人口密度和年平均温度对能源CO2排放的影响。主要结论如下:（1）利用遗传神经网络构建了能源消费碳排放估算模型,实现了对地级市能源碳排放的快速准确监测。利用基于统计数据计算得到的能源消费CO2排放量进行验证,拟合结果与能源CO2排放统计值的均方根误差（RMSE）、平均绝对百分比误差（MAPE）和决定系数（R~2）分别为1034.49×10~4t、11.94%、0.9856,本文构建的GABP拟合模型具有较高精度。（2）对三个城市群进行了能源CO2排放的时空格局演变特征研究。2014-2019年,三个城市群能源CO2排放总量呈增长趋势。从精细尺度下的线性倾向值来看,三个城市群中都有超过10%的区域呈现出显著的碳排放下降趋势,但是呈现显著增长的区域仍多于显著下降趋势区域。京津冀城市群的能源CO2排放的空间分布结构呈“多中心,3核心”,3个能源CO2排放核心分别是北京市、天津市和唐山市;长三角城市群呈现出“多中心”的空间分布结构,形成了宁波-杭州-上海-苏州-无锡-常州-镇江-南京条带状多能源CO2排放中心的分布格局;珠三角城市群呈现出“面状辐射中心”的空间分布结构,能源CO2排放辐射中心分布在中部沿海区域,以深圳市、东莞市、广州市和佛山市为核心向外辐射分布。从全局Moran’s I指数来看,2014-2019年,京津冀城市群和长三角城市群的能源CO2排放量存在显著的空间正相关关系。局部Moran’s I指数表明,京津冀城市群的高高聚集主要分布在区域经济水平较高、发展较好的东部沿海区域。长三角城市群的聚集区域面积较小、分布较为分散。珠三角城市群形成了广州-深圳-东莞高高聚集区和西北部肇庆市的低低聚集区。（3）对城市内部的CO2排放空间分布进行了研究。结果表明,大城市城市内部的CO2排放的空间分布呈“辐射峰型”,在市中心出现峰值,峰值较高,辐射范围较大;而小城市的CO2排放的空间分布呈“独立峰型”,仅在市中心出现独立且较窄的低峰。（4）对能源碳排放的影响因素进行了分析。在三个城市群中,随着坡度的增加,CO2排放逐渐减少,地形最复杂的珠三角城市群是CO2排放受坡度影响最大的城市群。随着人口密度的增加,CO2排放量逐渐增加,人口密度最大的珠三角城市群CO2排放量与人口密度的正相关最强。与坡度相比,人口密度与CO2排放的相关性更强。温度对CO2排放的影响最小。受纬度差异影响,珠三角城市群年平均温度最高,与温度呈弱负相关。而在温度相对较低的京津冀和长三角地区,CO2排放与温度呈弱正相关。