空间频繁并置（co-location）模式是一组空间特征的子集,这些特征的实例在地理空间中频繁地出现在一起。空间并置模式挖掘旨在从空间数据中提取人们尚未知道但潜在有用的信息从而更好地服务人类活动,它已经驱动了许多社会应用,如基于位置的服务、城市规划等。尽管对频繁并置模式挖掘技术已经开展了许多探索,但仍然存在一些问题:（1）空间实例的邻近关系计算完成后通常存储在内存中,这种方式收集候选模式的表实例具有较高的效率,但随着数据量增加会占用大量的内存空间甚至导致内存溢出;（2）现有的许多方法将特征和实例（对象）的空间分布视为同质的,使用绝对的“欧氏距离+距离阈值”来衡量实例之间的邻近关系,但实例之间的邻近关系是一个相对的、模糊的概念;（3）空间实例的自相关性会导致实例间具有复杂的共享关系,而利用参与度来度量模式的频繁性忽略了这种关系;（4）通过生成候选模式的表实例来收集参与实例具有较大的时间和空间开销,导致算法计算效率较低。针对上述问题,本文首先探索了一种基于图数据库技术的空间频繁并置模式挖掘方法。图数据库以原生图结构来存储数据,利用图数据库可以很好地物化空间数据以及它们之间的邻近关系。基于物化的邻近关系图,设计了基于子图搜索（CliqueSearch）和中心对象过滤与验证（ObjectSearch）的挖掘算法,并对提出算法的正确性和完备性进行了证明。其次,提出了一种基于模糊技术的挖掘方法,即基于模糊网格团的空间并置模式挖掘方法。该方法引入模糊集理论来定义实例之间的邻近度;考虑到实例间的共享关系和邻近程度定义了模糊参与贡献度来度量模式的有趣程度;基于定义的邻近度量方法,提出了基于模糊网格团的基本挖掘框架。基于提出的挖掘框架设计了一种基于参与对象过滤与验证的朴素算法（POFV）,它使用模糊网格团搜索技术取代组合搜索来收集参与实例,避免枚举所有表实例。为了解决朴素算法存在的问题,又设计了一种基于极大模糊网格团搜索参与实例的算法（MFGC）,它可以有效地重用信息。最后,在真实和合成数据集上的实验证明了提出的基于图数据库技术的CliqueSearch算法和ObjectSearch算法、基于模糊技术的POFV算法和MFGC算法在挖掘结果和执行性能方面都具有较优的表现。