城市在其发展过程中逐渐形成了不同的城市功能区,例如居住区、工业区、商业区和文教区等。识别这些功能区并理解其分布特征,对于把握城市空间结构以及制定和使用科学合理的规划具有重要作用。经典的城市研究研究由于受到微观数据难以获得的影响,往往采用宏观尺度,以地理网格或者小区作为基本的研究对象。近年来随着LBS (Location Based Services)技术的不断发展和成熟,大规模和高质量的个体时空数据越来越容易获得。基于LBS技术所获得微观数据,结合计算机数据分析技术,在真实城市中开展城市精细化研究已成为城市研究的主要趋势。本研究基于北京市2008年4月连续一周共计77976010条的公交IC卡刷卡数据(Smart Card Data, SCD),利用数据挖掘技术(Data Mining Techniques),结合居民日常出行行为研究,构建了基于公交刷卡数据和兴趣点(Points of Interest, POIs)的城市功能区识别(Discovering Zones of different Functions, DZoF)模型,进行城市功能区的识别,并将识别结果在交通分析小区(Traffic Analysis Zone,TAZ)尺度上汇总。研究结果显示,利用DZoF模型通过冗余数据的筛除和特征的创建实现对数据的有效降维,并选用期望最大化(Expectation-Maximization, EM)算法对处理后的数据进行聚类分析,结合居民日常出行相关特征和兴趣点分布数据对聚类结果进行诠释,可以快速有效地识别出与北京市土地利用现状地图具有一定匹配度的北京市各功能区。本研究的方法可以辅助规划人员和公众有效识别和理解复杂的城市空间结构,对城市地理及规划研究具有重要的理论和实践价值。