空间数据挖掘是指从大量的、不完全的、有噪声的、模糊的空间数据中提取出隐含在其中的、人们事先不知道的但又潜在有用的知识的半自动化方法,它是解决“空间数据丰富、但信息贫乏”的有效方法。近十年来,空间数据挖掘在理论与实践上都得到了广泛研究,并被应用于工业及自然科学(比如:地理信息系统)等各个领域。GML(Geography Markup Language即地理标识语言)是由XML(eXtensible Markup Language)发展而来的一种简单、灵活的文本格式,它以其可扩展、平台独立、灵活、规范、简单等特点以及强大的数据表达能力,在网络及其它领域的数据表示与交换方面扮演着越来越重要的角色。越来越多的空间数据以GML文档进行存储,在这些数据中隐含着大量的知识信息与各类模式,因此,人们迫切需要一些有效的方法来从中提取出一些潜在的、有价值的知识,这就是GML数据挖掘。基于以上分析,本文首先介绍了传统的数据挖掘与空间数据挖掘技术、XML与GML的基本理论,同时还介绍了演化算法相关知识;从分析空间数据的特点入手,简要的介绍了用常规方法进行空间数据聚类分析的难点和不足,提出了一种基于改进的演化算法空间数据聚类方法——SDCEA,它有效的解决了用传统方法进行空间数据聚类分析时存在的问题,从而增强了聚类分析方法的灵活性和有效性,实验结果表明,对于空间数据的聚类分析问题,该算法具有很好的性能;最后,采用Visual C#.NET与ArcObjects相结合,实现了对空间缓冲区分析的功能,在实验中选取ArcMap自带的一个GML数据源,通过对其点、线、面的缓冲区分析,从而高效、直观地提取出隐含在GML数据文档中的信息,实现了GML空间数据挖掘。