在地理大数据时代,如何深度挖掘海量空间数据中有效信息是时空数据分析所要解决的重要问题。探索有效的时空分析和建模方法,对于解释社会情景和分析自然变化过程具有重要意义。在过去几十年里,空气污染一直是全球关注的重点问题。中国作为最大的发展中国家,已经建立了1000多个空气监测站,这些监测站每天都在生产空气污染物浓度数据,从这些海量数据中挖掘出空气污染的时空特征能够高效控制和治理空气污染。主成分分析（principal component analysis,PCA）能够提取空气污染的全局特征,已经应用于人文和自然地理等多个领域。但是主成分分析仅把时空作为普通因子,忽略时空规律。伴随时空数据挖掘与分析方法的发展,时空地理加权相关模型因其能够揭示时空异质性而得以广泛应用。因此,本文将空间和时间效应同时纳入主成分分析方法,提出了一种基于时空地理加权的主成分分析方法（Geographically and Temporally weighted principal component analysis,GTWPCA）,剖析出时空变化上的结构特征。主要研究内容及创新点如下:（1）提出时空地理加权主成分分析方法在复杂的时空环境中,空间和时间对空气污染都有重要影响。主成分分析是一种提取主成分来分析空气污染总体趋势的全局模型。然而,这一过程没有考虑对空气污染的空间和时间影响。地理加权主成分分析考虑了空间效应而忽略了时间效应,导致其实验结果在时间特征上的不完整。因此,本文尝试将时间作为一个新的维度引入地理加权主成分分析模型,并通过时空距离和bi-square核函数构建了了时空核函数。每个时空位置首先通过时空核函数对其周边观测数据进行加权,然后获得加权后的局部主成分。在兼顾空间和时间效应下进行主成分的提取能够有效的识别数据的时空特征。（2）实现空气污染物浓度的时空建模与分析为验证时空地理加权主成分分析的适用性,本文以中国292个城市为例,研究了2015-2019年空气污染时空变化特征。利用了蒙特卡罗检验方法评估空气污染的时空异质性,根据主成分分析、地理加权主成分分析和时空地理加权主成分分析建立了3种空气污染分析方法。首先,采用主成分分析发现空气污染的总体趋势,不考虑任何空间和时间效应。随后,在考虑空间异质性的情况下,选择地理加权主成分分析挖掘空气污染的空间变化特征。最后,应用本文提出的时空地理加权主成分分析。实验结果表明:（1）在中国,由时空地理加权主成分分析得出的前三个成分组合所解释的总方差的百分比在北方高于南方,并且随着时间的推移普遍增加;（2）时空地理加权局部第一成分对应于一个“获胜组合”,其不断变化的“获胜”变量适应了中国空气污染的时空非平稳特征。该论文有图25幅,表4个,参考文献78篇。