随着全球定位系统的不断发展和移动设备的迅速普及,基于位置信息的空间数据呈爆炸式增长。与传统数据相比,空间数据表示的语义信息更加丰富,形式和性质也更为复杂,使得空间数据挖掘相较于传统的事务数据挖掘更富挑战性。为了从海量空间数据中发现有用的知识,从而对人类的生产生活加以指导,空间数据挖掘应运而生。空间co-location模式挖掘是空间数据挖掘中的一个分支,主要目的是挖掘在空间中具有并置(co-located)关系的空间特征的集合,挖掘空间co-location模式在空间决策、智慧城市建设、环境保护等领域具有重要的作用。传统co-location模式挖掘框架存在诸多局限性。第一,传统co-location模式挖掘框架使用单一的邻近阈值来判定空间邻近关系,这会造成邻近关系的丢失,也没有考虑距离大小的不同对实例间邻近程度的影响。第二,传统co-location模式挖掘框架使用最小参与度衡量co-location模式的频繁性,会导致挖掘不出带稀有特征的co-location模式,同时算法对最小参与度非常敏感。为了解决以上传统co-location模式挖掘框架带来的局限,基于“物以类聚”的原理,Huang等人提出了采用聚类算法将邻近程度高的特征聚集在一起的方法,然而该方法提出的描述特征间相关程度的度量值与co-location模式的定义不甚相符,同时该方法采用的凝聚层次聚类算法也存在不具有再分配性,类簇间不重叠等问题,会影响聚类结果的准确性,因此凝聚层次聚类算法不适用于co-location模式的挖掘。针对上述问题,考虑到邻近是一个模糊的概念,本文将模糊集理论引入到了co-location模式挖掘中。首先,提出了一种能解决传统0-1邻近关系问题的邻近关系度量——模糊邻近关系;其次提出了模糊邻近度的定义,此度量不仅满足了co-location模式的定义,其具有的非负有界性、对称性、非自反性等性质,也使其能很好地应用在特征聚类算法中;同时,由于模糊聚类算法具有重叠聚类和模糊隶属等优点,本文提出了基于模糊聚类算法的co-location模式挖掘算法——FCB算法,并在初始聚类中心选取、最佳分类数确定等方面也做了有意义的尝试;最后,在模拟数据集和真实数据集上进行了广泛的实验,证明了提出的挖掘算法的实用性和高效性,同时证明了算法对阈值的敏感度较低,拥有较高的鲁棒性。