如今,社会已经进入信息化时代,各领域在面对信息化转型时会产生大量空间数据。因此,空间数据挖掘成为了不可忽视的研究方向。在空间数据挖掘中,快速且高效的空间co-location模式挖掘近年来得到研究者极大重视,收获了丰富的成果。Co-location模式的挖掘目标是识别空间事物之间的并置关系,因此识别出的co-location模式仅反映出空间事物之间的同位关系;基于团实例模型的传统colocation模式考虑实例之间能否成团,忽视了一些非团的重要邻近关系。针对上述问题,本文选择星型实例模型为基础模型,研究既考虑频繁性也考虑空间分布的两种co-location模式,并设计和实现了基于这两种模式的原型系统,主要工作如下:（1）提出局部紧密的亚频繁co-location模式挖掘。分析现实世界的空间数据,发现同样频繁的co-location模式会有不同的分布特性,比如空间中有些频繁模式紧密地分布在某区域内,这类既频繁又局部紧密的模式更实用、更易于解释。因此本文提出局部紧密的亚频繁co-location模式挖掘。首先,设计局部紧密模式的相关定义;然后研究挖掘该模式的算法,以及优化算法的剪枝条件;最后,通过大量的实验,分析局部紧密模式挖掘算法的效率,验证局部紧密模式的实用性。（2）提出局部紧密的时空亚频繁co-location模式挖掘。分析空间数据的时间特性,在上述研究的基础上融入时间,发现更符合用户要求的co-location模式。首先,解决了将时间特性引入到co-location模式挖掘的问题;然后,根据相关定义设计算法;最后,通过实验,评估所提算法的挖掘效率和挖掘结果。（3）设计并实现局部紧密的co-location模式挖掘与分析的原型系统。该系统通过Python中的Py Qt5模块开发,展示了局部紧密空间co-location模式挖掘、局部紧密的时空co-location模式挖掘及挖掘结果可视化三个功能模块。