近年来，由于基于位置的服务快速发展，尤其是对网络电子地图、移动位置服务(LBS)、便携式自动导航(PND)的使用，原有的兴趣点(POI)很难继续支撑这类服务。能否获取高质量的POI信息，成为此类服务的命脉所在。随着人们持币消费能力在迅猛增长，在日常消费、出行时，会将更多的注意力放在餐饮、娱乐、旅游等领域。这种不断增长的消费能力催生出了许多面向这一领域的信息提供商，他们所提供的信息内容丰富，并且实时性相对很高。结合上述背景，如何获取蕴含在web中的大量有价值的POI信息点成为如今的一个热点问题，对这些已有的POI信息进行校正、融合，得到有利用价值的规整数据，这些工作具有重大的理论意义和实际的现实意义。本文在多源POI数据融合方面，包括POI各特征字段的表示、可融合POI的分类、经纬度字段的统一、网络访问受限等方面，进行了深入而系统的研究，具体的研究工作和研究成果如下：（1）通过分析POI中各特征字段的形式、特点，提出了POI特征相似度用以表示待分类POI与原有POI集的关系，以此进行之后的判断依据。相似度的形式化表示主要由名称、地理信息相似度两部分组成，其中的地理信息包括POI中的地址和经纬度。名称部分是通过几种经典字符串匹配方法计算得出的，地址部分根据地址的相似计算得出，经纬度部分利用POI之间的距离得出。（2）文中用到的POI中的经纬度是来源于不同网络电子地图上的坐标，同一实体在不同地图上的坐标不一致，对之后的POI融合工作造成了一定的影响。为解决这个经纬度标准不统一的问题，本文提到两种解决方法，即基于纠偏表的方法和基于API的方法。（3）构建了一个基于规则的分类模型，构建过程中设置POI各字段内部系数及阈值，经过回归计算，选取其区分POI是否可融合效果最好的一组系数和阈值构建出了判定模型。这个计算过程复杂、耗时，并且不够灵活，不具备自动学习的能力。因此本文又利用机器学习分类器自身主动学习的能力，构造了几种不同的分类模型，比较之后选出了较优分类器，而实现分类性能的有效提升。论文创新点如下：（1）考虑到因为词语的存在使得不同汉字具有不同的关联性，本文假设中文字符串匹配的最小单位是词，不再延用传统中最小单位是单个汉字的假设。（2）融合了POI的非空间信息和空间信息作为判定可融合POI的依据，后通过一个基于规则的模型对POI进行分类判断。（3）利用机器学习中的分类方法，构建了具备自主学习能力的POI可融合分类模型。实验表明，本文提出的技术方法可以在基本无人工干预下自动、有效地对多源POI完成是否可融合判定。