空间非平稳性分析对于揭示地理要素空间分布规律,理解社会现象与环境动态过程有重要意义。空间非平稳关系建模方法的核心是空间邻近性的表达与空间权重的解算。基于数学解析表达的传统空间非平稳关系建模方法受权重核函数的数学结构及加权最小二乘求解方法的制约,空间权重解算能力有限且空间邻近性的表达局限于样本空间;引入神经网络模型的地理神经网络加权回归方法虽然一定程度上提升了空间权重解算能力,但其空间邻近性表达仍局限于样本空间,表达充分性受样本质量影响,导致空间非平稳关系建模精度不高。为此,本文旨在突破样本空间的束缚,构建全域空间邻近关系网,实现全域空间邻近性的表达;进一步充分利用卷积神经网络的特征提取与动态学习能力,构建适应全域空间邻近性表达的空间加权卷积神经网络,从而实现空间权重的精准解算,提升空间非平稳关系建模方法的建模精度与适用能力。论文主要内容概括如下:（1）突破现有空间非平稳关系建模方法在样本空间范畴内进行空间邻近性表达的束缚,构建了充分表达全域空间邻近性的全域空间邻近关系网,进一步设计了顾及全域空间邻近关系网“类图特征”的空间加权卷积神经网络,并给出了统计推断方法,从而形成了地理卷积神经网络加权回归方法的体系框架,实现空间非平稳关系建模方法的创新。（2）融合现代优秀深度学习方法,构建了地理卷积神经网络加权回归模型的优化训练过程和总体策略,设计了激活函数与参数初始化方法、神经网络优化训练算法,从而搭建起了地理卷积神经网络加权回归训练框架,提升了空间非平稳关系建模性能。（3）以全国PM_2.5浓度空间非平稳关系建模为例,设计了地理卷积神经网络加权回归模型与经典回归分析模型的对比实验,验证了地理卷积神经网络加权回归模型的可靠性与适用性。（4）采用地理卷积神经网络加权回归模型完成了 2017年季度与年平均的全国3km分辨率的PM_2.5浓度估算,开展了中国PM_2.5浓度分布特征的空间尺度分析与时间尺度分析,一定程度上揭示了 PM_2.5浓度的时空变化规律。