地理空间信息的数据种类繁多、结构复杂、来源广泛，同时数据更新速度快且数量巨大，如何对地理空间情报大数据进行组织关联，从而挖掘出重要价值信息，是国内外相关学者正在开展的研究课题之一。目前国内外已有不少相关研究成果，但现有的数据组织关联方法，在情报信息检索、整理汇编和数据理解等方面表现欠佳，如何提高数据的关联理解能力是情报分析领域急需解决的重要问题。　　本文以世界热点地区的冲突事件数据集为研究对象，通过引入叙事框架和叙事相关的背景数据，来提高对冲突事件数据的检索及理解能力。为此着重研究了冲突事件数据的表征及其对应的地理空间叙事方法，形成针对特定问题的模型和算法框架，有效提高了冲突事件数据集中的信息检索和数据理解能力。　　论文的主要工作如下:　　1.提出了基于叙事结构的数据组织方法，用于提供一种面向结构化数据组织形式的检索方法。传统表征学习方法，缺少对数据结构特征的考虑，无法对冲突事件数据中故事结构进行表征。针对这一问题，提出了一种基于不对称多维标度法数据索引生成方法，并基于神经概率语言模型对数据的叙事结构进行了学习，能够提供一种面向事件/情节的检索模式。针对数据检索的结果表明，叙事结构对冲突事件数据具有比较好的组织能力及可解释性。　　2.提出了基于叙事过程的数据关联方法，用于提高冲突事件数据在地理空间中的可解释性。基于文本特征及地理位置的数据组织关联，容易导致关联事件数量不足，无法辅助后续分析。针对这一问题，提出了基于像素图的表征模型，来学习文本中的共词特征和语序特征，并基于Kriging空间插值模型对冲突事件的演化过程进行展现。实验在地域、冲突类型及死亡人数分布检索方面，取得了较好的结果。　　3.提出了一种面向人文历史数据的组织关联方法，用于扩展已有的数据框架。由于现有冲突分析模型涉及数据分析场景比较简单，不利于多角度地对冲突过程进行观测及理解。针对这一问题，提出了基于高斯过程回归的数据关联方法，并以人口、教育、GDP、交通路网等数据为例，对已有叙事框架进行了扩展，提供了一种多视角的冲突事件观测手段。实验结果显示出了较高的数据关联准确性及可解释性。