随着互联网技术的飞速发展以及移动终端设备的普及,互联网上出现越来越多与空间位置有关的地理信息数据,并应用到地图导航、环境监控、城市规划、土地利用、应急管理等各个领域。兴趣点（Point of Interest,POI）是和大众生产生活息息相关的地理数据,也是位置服务及相关应用的支撑。人们通常利用大众点评、微博等移动应用APP上传和发布美食、酒店、景点等兴趣点信息,使得网络中涌现出大量且更新频繁的POI数据,如何对这些POI数据进行分类和利用,并挖掘出潜在价值,成为地理信息数据分析研究的重点和难点。由于POI的名称最能反映出主题信息,因此本文使用POI的名称来识别和确定其类别。针对POI名称文本存在的特征向量稀疏、语义关系简单等问题,通过对BERT模型进行改进并建立ERNIE-RCNN模型,实现了POI数据的自动分类。同时选取四川省成都市的八类POI数据进行参数优化与调试,并与BERT-RCNN、BERT-CNN、Word2vec-RCNN、Word2vec-CNN、ERNIE-CNN、ERNIE-RNN、ERNIE-RCNN、ERNIE-FC等算法进行对比分析,验证本文模型的有效性。本文主要研究内容如下:（1）基于TF-IDF的POI名称文本特征提取。针对POI名称文本中包含主题类型特征词的特点,利用TF-IDF提取POI名称文本中的特征词,使得POI主题相关的特征词能够被选取并分配更多的权重,为下一步POI分类模型提供特征向量的输入参数。（2）改进BERT模型的POI分类方法。针对POI特征向量稀疏、语义关系简单以及上下文联系不强的问题,改进了BERT词向量模型,提出一种基于ERNIE-RCNN模型的POI名称分类方法。首先利用ERNIE模型的双向Transformer结构和微调获得具有上下文语义信息的高质量POI名称向量表示,然后送入到RCNN模型结构中,经过双向的循环神经网络获取POI的深层次的语义信息,最后调用Softmax分类器对POI进行分类。（3）POI自动分类效果验证。为了验证本文模型的有效性,选取四川省成都市的八类POI数据进行实验,实验结果表明,本文提出的方法模型在POI八个类别数据中分类总体正确率达到95.65%,在各类别中的分类准确率均达到91%以上、F1值达到92%以上,分类性能优于其它对比模型的分类效果。有效说明了本文提出的ERNIE-RCNN模型在POI自动分类中取得良好效果,有利于网络地理信息数据的规范和管理。该论文有图31幅,表10个,参考文献70篇。