信息时代的浪潮不断推进,但空间数据的指数级增长与海量数据的处理能力不匹配,由此空间数据挖掘应运而生。空间co-location模式挖掘能发现空间中频繁关联的特征,在空间数据领域得到广泛关注。本文研究的空间co-location主导特征模式挖掘方法,能够发掘不同重要性的空间特征,为空间数据分析及决策提供支持。在空间co-location模式的主导特征挖掘中,特征实例的空间分布状态是衡量模式中特征主导强度的一个不可忽视的因素。以往不论是团实例模型上或是星型模型上关于主导特征的挖掘研究,在度量模式中特征的主导强度时,都没有从特征实例分布的角度综合考虑一个特征主导其它特征的可能倾向和影响强度,使得挖掘出的部分主导特征模式不能准确地、真实地反映模式中特征间的主导作用关系。主导特征co-location模式基于实例间的空间邻近关系进行挖掘,实例分布表现出的邻近关系差异,导致特征间的作用关系（主导关系）也不同。为此,本文分别在团实例模型和星型模型上进行空间co-location主导特征模式挖掘研究。主要工作如下:一、在团实例模型上,考虑距离因素对特征主导强度的影响。首先,提出模式主导度,用以度量模式中某个特征主导其它特征的可能倾向;然后,提出主导影响度,用以度量模式中某个特征主导其它特征的影响强度;最后,基于这两个新度量,提出co-location模式的主导特征挖掘算法DFMASD。由于提出的相关度量不满足向下闭合性,算法采取了从低阶到高阶的计算、生成过程。为了优化算法的运行效率,提出了与模式主导度相关的引理1和与主导影响度相关的引理2,进行算法效率的提升。基于提出的DFMASD算法,设计了关于距离阈值、参与度阈值、模式主导度阈值、主导影响度阈值的对比实验,验证了所提算法能够有效地挖掘出用户所需要的主导特征模式。二、在星型模型上,考虑到主导强度等相关概念是一个模糊概念,结合模糊集合论的相关理论,研究在星型模型上进行模糊主导特征及模糊主导特征模式挖掘。星型模型相比于团实例模型,能够挖掘出特征之间非团的主导关系,使得挖掘出的主导特征模式更加易于用户的理解和使用。首先,提出模糊星型参与度和模糊影响度的概念;然后,证明模糊星型频繁模式满足向下闭合性,并利用该性质减小候选模式搜索空间。最后,提出FDFMA挖掘算法。在三个不同规模合成数据集上研究距离阈值、模糊星型参与度阈值、星型主导损失度阈值以及模糊影响度阈值对算法效率的影响;在真实数据集上验证了FDFMA算法相比于对比算法能挖掘出更合理主导性的特征。