建筑物空间分布模式表现为建筑物群组在空间中所体现出的明确的组织结构,并能够在人类视知觉认知过程中被识别和命名,其蕴含着丰富的城市区域结构与功能信息,在制图综合、空间数据多尺度表达与时空数据挖掘过程中具有重要的意义。其中,建筑物的线型排列是建筑物空间分布模式中一种基础且重要的模式,其不仅广泛存在于城市地图中,而且作为基本单元构成了其他的一些分布模式。建筑物的线型排列模式的识别和分类是一个复杂问题,首先因为度量因子的选择和线型排列的分类方式都对识别和分类的结果产生影响,其次是空间对象分布结构和模式的识别和分类本身具有不确定性,与人类的视觉认知过程密切相关,这对识别方法的选择和阈值的确定提出了更高的要求。因此,针对当前研究中建筑物线型排列模式分类不够精细,不能完全满足制图综合及多尺度表达过程中保留空间分布特征的需求,以及建筑物空间分布模式识别方法中,特征因子权重及分类阈值难以确定的问题,本文利用智能化计算的方法对建筑物线型排列模式提取和类型识别的理论和方法进行探索和研究。主要包括对线型排列模式的划分方式、描述模型、提取方法和识别模型的研究。旨在使建筑物线型排列模式识别的结果更加符合人类认知,为制图综合与多尺度表达提供有力支持。具体研究内容包括:1)建筑物线型排列模式的划分。在总结分析建筑物空间分布模式研究现状的基础上,根据建筑物线型排列内部建筑物的分布特点,对建筑物线型排列模式作出进一步层次划分:首先将其划分为单连通线型排列与多连通线型排列;进而将单连通线型排列划分为直线型排列与曲线型排列;最后将直线型排列划分为标准直线排列、中心直线排列、边界直线排列和斜直线排列,将曲线型排列划分为标准曲线排列、中心曲线排列和边界曲线排列。2)建筑线型排列模式的描述模型。基于格式塔完型原则中的邻近性、相似性以及同方向性原则,通过对建筑物线型排列的邻近性分析、相似性计算以及结构控制,提出了建筑物线型排列模式的描述模型。其中邻近性分析包括建立建筑群的Delaunay三角网,探测建筑物的邻近关系,并计算建筑群邻接矩阵;相似性计算包括对建筑物自身几何特征(大小、形状、方向和密度)相似程度的计算;结构控制包括对建筑物排列的整体与局部结构特征的计算,包括建筑物与路径方向一致性、建筑物偏离度与建筑物边界一致性。3)建筑物线型排列提取方法。采用“分解——合并”的思想,首先利用Prim算法基于建筑物排列邻近模型生成建筑群MST,根据其内部多连通建筑物的MST边界权值,确定剪枝阈值,对建筑群进行粗粒度上的划分;进而利用建筑物排列结构模型中的建筑物与路径方向一致性和建筑物边界一致性参数对粗聚类结果进行合并,最终实现对建筑群中线型排列的提取。4)建筑物线型排列的模式识别方法。通过对提取的建筑物排列模式的投票分类,并计算每组排列中各建筑物的描述参数,构建实验样本集。结合B-P神经网络与图卷积运算,搭建图卷积神经网络模型,通过对样本集的监督学习,训练模型内部参数,实现对建筑物线型排列模式的预测。利用Open Street Map所提供的开源数据集进行实验,结果表明基于图卷积神经网络的建筑物线型排列模式识别模型可以较为准确地预测本文所提出的建筑物线型排列模式。