城市用地作为用于城市建设和满足城市机能运转所需要的空间,在城市计算中属于重要的基础性数据。从微观角度对城市用地功能进行分类,可以辅助城市规划中的控制性详细规划和修建性详细规划工作的展开。然而,目前的城市用地功能分类仍然面临许多困难。城市用地的概念定义和研究角度标准不一,适合城市用地功能分类的数据源较少,城市之间的差异性对算法的泛化性能提出了挑战。本文的研究目标,是通过采集开源地理信息数据,对建筑级别的城市基本单元进行功能分类。本文从微观视角展开研究,基于建成环境和空间形态进行特征构建,基于地理邻近性进行图网络构建,并分别从基于梯度提升树的集成学习监督模型和基于图注意力网路的半监督模型对这一问题进行了实验和探索。首先,本文提出了基于建筑的建成环境与空间形态特征构建方法,基于建筑从建成环境业态特征、建筑自身形态特征和建筑周边空间特征三个角度进行了特征构建。采用了TF-IDF统计方法对POI业态数据进行了统计处理。采用了Auto-Encoder结构的自编码器对建筑自身形态数据进行了嵌入表示学习,结合领域经验对建筑周边形态特征进行了特征构建和扩容。其次,本文提出了基于梯度提升树的城市用地功能有监督分类模型。基于CART回归树的梯度提升Boosting集成学习方法对城市用地功能进行有监督学习分类。通过实验发现,本文提出的监督学习模型效果整体上优于近年来相关模型,特别是在分类数量上和绝大部分类别的分类准确率上都获得较优结果。最后,本文提出了基于图注意力网络的城市用地功能半监督分类模型。利用城市基本单元间地理邻近性蕴含了共有模式这一特点,构建基于建筑的连接关系,并基于图注意力网络对城市建筑节点进行分类。实验表明,少量的标签样本就可以使得全图的分类准确率保持较高水平,达到了半监督分类的效果。