城市的快速发展给人们带来了现代化生活,但同时也带来了许多问题（如交通拥堵和噪声污染等）和新的需求（如日程出行推荐及生活多元化推荐等）。城市中部署的大量传感器收集到的城市大数据为解决这些问题和挑战提供了可能性。研究如何利用城市大数据解决城市面临的问题和需求以改善城市居民的生活体验进而建设智慧城市具有重要的现实意义。城市计算中主要的城市大数据包括时序数据、空间数据和知识图谱。然而,时序数据的趋势分析、空间数据的特征关联、知识图谱的多语义表示及这些数据的协同表征给解决城市面临的问题和需求带来了巨大的挑战。因此,本文以城市时序数据、城市空间数据和城市知识图谱为研究对象,采用语义映射、深度强化学习、跨域知识图谱嵌入及深度学习等技术,针对不同应用场景深入研究如何高效地融合城市大数据,实现从方法和应用上探索新型的城市多源异构数据的融合技术。（1）城市时序数据融合方法及危险驾驶行为检测应用:为了解决现有模型在融合时序数据时忽略了数据不同趋势性的问题,研究数据的符号集合近似映射方法和决策融合模型,并将其应用于检测司机的危险驾驶行为。首先通过异构决策融合方法融合辅助数据信息。然后通过符号集合近似对融合结果进行语义映射。接着通过平均融合和同构决策融合来提取时序数据之间的关联信息。最后设计一个新的基于时间序列符号化的数据融合方法来融合时序数据,并将其应用于危险驾驶行为检测。在交通传感器数据集和天气数据集上进行实验,结果表明所提出的方法比基准方法能够更有效地检测出危险驾驶行为。（2）城市空间数据融合方法及日程推荐应用:通过不同的城市空间单元属性挖掘出空间单元之间的关联是融合城市空间数据的关键,因此研究基于深度强化学习的空间数据融合网络和最优的多兴趣点（Point of Interest,POI）选择和排序策略,并将其应用于城市居民的日程推荐。首先设计新型深度学习融合网络来融合影响日程安排推荐的多个因素。然后定义日程推荐场景中强化学习框架。最后使用策略梯度学习深度学习融合网络的参数,并得到一个能够最优地融合多源异构数据的深度网络。在成都出行数据集和北京轨迹数据集上的实验结果表明所提方法是合理且有效的。（3）城市知识图谱融合方法及跨域推荐应用:为了解决现有方法在融合知识图谱时只关注实体的对齐程度而忽略了实体多语义表达的问题,研究跨域的城市知识图谱融合方法,并将其应用于多域项-项（Item-item,I2I）推荐从而为人们进行日常多方面推荐。首先利用经典的知识图谱嵌入方法对每个域的知识图谱进行初始化嵌入。然后提出跨域知识图谱交叉嵌入方法来对多个域中所有的实体和关系进行多语义交互,从而实现跨域知识图谱嵌入。最后设计了一种新颖的知识图谱链路预测的方法进行多域I2I推荐。在公开数据集FB15K-237和跨域知识图谱数据集上的实验进行实验,结果表明所提出的城市知识图谱融合方法和多域I2I推荐算法分别实现了更好的链接预测和多域推荐结果。（4）城市时-空数据与知识图谱融合方法及流量模式挖掘应用:为了解决现有方法无法从时空数据挖掘出知识的问题,研究基于深度学习和知识图谱嵌入的时-空数据与知识图谱融合模型,并将其应用于城市区域间流量模式的知识挖掘。首先构建多个自编码器提取区域特征和交通流特征。然后设计基于注意力机制的融合方法来融合区域特征和交通流量模式。最后基于平移-距离方法实现了对交通流量模式知识三元组的构建,并实现了交通流量模式的有效存储及跨域使用。在成都地图数据集、滴滴订单数据集和POI数据集上的实验结果表明所提出的模型能够有效地从数值型数据中挖掘出交通流量模式的知识。此外,通过可视化分析技术展示基于区域流量模式的应用。