空间插值是通过已知空间数据预测未知空间数据的方法,是空间统计分析的重要内容之一。空间插值的核心是基于空间相关关系,拟合空间权重,传统空间插值方法一般基于欧式空间距离计算空间权重,在表征空间各向变化趋势、拟合空间距离与空间权重之间的复杂非线性上有一定局限;现有基于神经网络的空间插值方法在一定程度上提升了空间插值精度,但多是针对已有方法的优化,迁移能力和适应力有待提升。为此本文提出了一种基于空间自回归神经网络的插值方法(Spatially Auto-regressive Neural Network,SARNN),利用神经网络的分析计算与特征提取能力,实现广义空间距离与空间权重的精准解算,提高空间插值方法的精度,同时,本文对不同维度、不同特点的空间模拟数据和海洋环境实测数据为研究对象,验证本文方法在不同维度与场景下的建模精度与适应能力。本文主要研究内容概括如下:(1)针对现有空间插值方法无法充分表达区域内空间相关关系等问题,提出顾及空间方向异性的广义空间距离计算方法,并利用神经网络拟合广义空间距离与空间权重间的非线性关系,构建SARNN。在此基础上,针对模型训练与优化等问题,给出网络训练流程与优化算法,搭建一整套基于SARNN的训练框架,突破了传统空间距离在多维空间中对不同方向变化趋势表征能力不足的局限,实现了空间权重的精准解算,为空间插值方法提供了理论思想与路线支持。(2)以算法生成的两类不同特点的二维空间模拟数据和二维浙江近岸磷酸盐实测数据为研究对象,设计本文SARNN与传统空间插值方法的对比实验。结果表明,本文方法提升了插值精度,插值结果趋势面过渡平稳渐进,解决了传统方法插值结果易出现锯齿与“牛眼”现象、存在过渡条带等问题,具有较高的可靠性。(3)对三维空间中的距离计算与权重拟合做具体实现,并以复杂三维空间模拟数据和三维Argo实测温度数据为研究对象,进行SARNN与传统空间插值方法的对比实验。结果表明本文方法对于局部不连续、突变较强的三维数据具有较好的预测拟合能力,对于极值点插值结果较准确,在三维空间中具有一定的迁移能力和适应性。本文提出的SARNN方法能够较为精准地预测数据的空间分布特征,反映数据的空间分布规律,解决了传统插值方法容易出现“牛眼”、锯齿现象等问题,具有一定的迁移和适应力,为空间插值建模提供了一种新的思路,有一定的科学和现实意义。