随着移动设备和互联网的快速普及,每个人无时无刻不在产生空间数据,所以人们的生活正被海量的空间数据充斥着。在一般人看来,大数据离我们很远,但实际上大数据离我们很近。如何从海量的空间数据中获取人们尚且未知的知识,为人们的生活提供服务是当前一个非常重要的问题。空间数据的来源和类型多种多样,概括起来主要有地图数据、影像数据、地形数据、属性数据和元数据。显然,空间数据存在定位、定性、时间和空间关系等相关特性,使得传统的数据挖掘技术很难直接用来对海量的空间数据进行分析。因此,探索高效的空间数据挖掘技术是空间数据研究工作者的重要目标。空间co-location模式挖掘是空间数据挖掘领域一个非常重要的研究方向,空间co-location模式是一组空间特征组成的集合,并且集合中各个空间特征的实例频繁地在地理空间中并置出现。在传统的空间co-location模式挖掘方法中,实例之间的空间邻近关系是由用户指定的单一的距离阈值确定。但是,由用户指定的单一的距离阈值确定实例之间的空间邻近关系存在着诸多弊端。首先,在大多数情况下,用户很难指定一个比较合适的距离阈值,有的时候即便是领域专家也很难做到。其次,使用单一的距离阈值确定实例之间的空间邻近关系没有考虑空间实例分布密度不同的情况,不能获取完整的邻近关系。第三,忽视了整个空间数据集的全局拓扑关系,得到的挖掘结果不准确。为了解决上述提出的问题,本文首先介绍了Delaunay三角剖分和传统的空间co-location模式挖掘的相关概念。其次,提出了计算实例的距离约束的方法并基于实例的距离约束重新定义了空间邻近关系,由此解决了用户难以给定距离阈值的问题。在新定义的空间邻近关系的基础上又提出了存储实例之间邻近关系的数据结构——邻近关系树,并基于邻近关系树给出了一种基于全局拓扑关系的频繁co-location模式挖掘框架。然后,设计了一种基于全局拓扑关系的频繁co-location模式挖掘算法。最后,在真实数据集和合成数据集上对算法的挖掘效果和挖掘效率进行了相应的评估。