城市功能区识别对城市规划和可持续发展意义重大,其准确性在很大程度上取决于数据背后所隐含的信息。目前许多方法和途径都是通过土地利用数据、POI数据、社会媒体数据等来识别。但是城市功能区的形成是各种活动相互关联的过程,仅用单一的数据来识别精度较低。因此,数据融合成为提高识别精度的一种有效的手段。然而,传统的融合方法忽略了多个数据源之间存在共享语义,未考虑数据之间的相似性。故精确识别城市功能区仍然具有较大的挑战性。针对上述问题,选择北京市五环以内的区域作为本文为研究区,以数据融合为研究方法,提出一种顾及数据之间相互关联的数据融合模型——基于上下文耦合矩阵分解模型,用于城市功能区的识别。研究结果可以为超大型城市规划提供精准的城市功能区数据基础。本文主要研究内容如下:（1）提出了基于上下文耦合的矩阵分解融合模型为了能够精确识别城市功能区,本文调研并分析了现有城市功能区识别方法和应用,在此基础上,提出一种基于上下文耦合矩阵分解的数据融合模型。该模型通过挖掘数据之间潜在的互补信息提高城市功能区识别精度。首先,该模型从数据分解中抽取潜在信息,并以矩阵的形式存储。其次,充分考虑数据之间的上下文关系对多个矩阵进行协同耦合分解。最后,面向融合效果好坏的问题,利用梯度下降法计算最优解,实现数据融合。将融合后的数据用于功能区识别,从而提升精度。本研究将矩阵分解的思想应用于识别城市功能区,为城市功能区识别提供了新的思路。（2）构建融合多源数据的城市功能区识别框架城市功能区识别研究对优化城市空间布局具有重要作用。现有的技术方法常常使用多源数据提升识别精度,但忽略了数据之间存在关联性。因此,本文从该角度出发,提出了一个识别城市功能区的融合框架,旨在探究适用于城市功能区的识别分析模型,从而研究出一种识别精度高、实用性强的识别框架。（3）超大城市功能区识别实践与精度分析以北京市五环区域为例进行实例研究,分别利用本文提出的数据融合方法、POI定量识别法以及基于DTW距离的谱聚类法对POI数据和出租车OD数据进行城市功能区识别,通过精度评价对上述方法进行对比分析,结果表明,本文所提出方法在总体精度和Kappa系数两个方面均获得较高的识别精度,相较于其他两个方法提升了7%左右,表明了本文提出方法的可行性。