位置传感、无线网络和无处不在的计算的发展正在产生大量丰富的具有参考价值的空间数据,空间数据挖掘的出现旨在从海量具有参考价值的数据中挖掘过去未知的、有意义的模式或知识。空间并置（co-location）模式挖掘是空间数据挖掘中一个有趣的数据挖掘任务,目的是发现空间特征之间的联系。然而,空间并置模式挖掘的局限性在于所有特征都是同等重要的,导致一些重要但不频繁的模式被遗漏,而一些不重要但频繁的模式被发现。为了解决这个问题,空间高效用并置模式挖掘应运而生。与并置模式挖掘不同,高效用并置模式挖掘考虑每个特征都有效用。在空间高效用并置模式挖掘中,采用效用来度量一个模式是否有趣。由于效用度量不满足反单调性,所以基于反单调性的并置模式的挖掘算法不能简单的运用到高效用并置模式的挖掘中,因此挖掘高效用并置模式的研究存在一定的挑战性。现有的高效用并置模式挖掘算法存在时间和空间复杂度高的问题,难以适应海量空间数据挖掘的任务。针对上述问题,本文提出了一种高效的高效用并置模式挖掘算法EHUCM（Efficient Algorithm for High Utility Co-location Pattern Mining）,该算法首先引入了特征的参与实例的概念,用生成特征的参与实例的方法取代现有算法中生成表实例的方法。同时,为了快速生成模式中特征的参与实例,采用邻居实例化的思想,将实例间的空间关系预先存储在“特征-实例邻居树”的数据结构中。由于效用度量不满足反单调性,提出了有效的剪枝策略预判不满足最小效用率阈值的候选模式,过滤无希望的候选模式,达到对搜索空间进行剪枝的目的。最后,本文在真实和模拟数据集上进行了大量的实验,验证了EHUCM算法的高效性和可扩展性。实验表明,EHUCM算法不仅比现有的高效用并置模式挖掘算法快10倍甚至100倍,而且具有更好的可扩展性。