随着基础地理空间数据“原始积累”阶段的基本完成和地理信息系统(GIS)技术的不断发展和广泛应用,地理空间数据的现势性问题日益突出,数据更新成为GIS发展的瓶颈,对GIS数据的快速有效且可持续的更新研究成为当前GIS领域研究的热点与难点之一。由于同一区域的地理空间数据由于不同的应用目的造成了在几何形状、拓扑结构、数据精度、表达详细程度、属性完整性、数据分类与语义表达以及空间关系等方面不尽一致,形成了多重表达的地理空间数据,这些不一致性给数据的融合与更新带来了极大不便,为了获得精度更高、属性信息更丰富、现势性更好的高质量地理空间数据,需要对这些多重表达数据进行目标匹配,识别表达客观世界中同一地物的目标,并建立映射关系,在此基础上进行数据的融合与联动更新,解决数据之间的不一致性等问题。本文在空间相似性度量方法、度量指标以及产生根源分析的基础上,结合地理要素的多重表达特征,探讨了基于PSO神经网络的面状目标匹配方法,并以此为基础研究了数据的联动更新模式。首先,针对缓冲区增长法构建候选匹配集存在复杂的叠加分析等问题,根据已有的空间索引方法,引入层次理论和城市形态思想,构建统一的不规则基础网格,通过网格索引并辅以目标最小外接矩形的简单空间关系快速准确地获取候选匹配集,不仅避免了复杂的空间分析操作,而且最大限度地缩小了候选匹配集的范围。其次,针对面状矢量数据的几何特征和多重表达特征,采用粗匹配和精匹配相结合的方法,根据重叠面积比对面目标进行粗匹配,并对存在交叉的粗匹配对进行目标聚合,将一对多和多对多的匹配类型转化为一对一的匹配类型处理,解决了非一对一的匹配问题,然后引入神经网络智能学习的思想,通过对样本数据采用基于粒子群优化(PSO)和蚁群算法相结合的学习算法,智能地确定神经网络的连接结构和连接权值,改善了传统的根据专家经验确定权重过于主观的方法,对粗匹配目标对(或聚合目标对)进行精匹配,获取目标的精确匹配关系,同时采用双向匹配策略,用逆向匹配补充正向匹配中未发现的匹配目标对,最后的双向匹配的结果进行目标聚合,实验证明,利用基于PSO神经网络的目标匹配方法能提高匹配的准确率。再次,研究多重表达地理空间数据模型,提出了关联式多重表达数据模型,通过目标匹配可以建立“横向”多时态表达、“纵向”多尺度表达、“斜向”相邻不同时态不同尺度的数据之间映射关联,并在此基础上探讨了基于目标匹配的数据联动更新模式,通过目标匹配自动探测目标变化信息,根据数据之间的映射关联关系,快速定位到存在变化的目标,实现更新信息在多重表达数据之间的联动,完成多重表达地理空间数据的快速、一致更新。最后,对本文提出的目标匹配方法和数据联动更新方法进行实验验证。通过同时间不同类型数据、同时间同类型不同比例尺数据、不同时间不同类型数据三组目标匹配实验说明不同数据环境下,目标匹配各指标的权重不一定相同,且与以往参考文献中各指标给定权重计算空间相似性进行目标匹配的方法相比,基于PSO神经网络目标匹配方法具有较高准确率。根据PSO神经网络目标方法建立2009年建筑物普查数据、2009年电子地图1：1000比例尺数据、2009年电子地图1：10000比例尺数据的匹配关联关系,以2010年建筑物普查数据为数据更新源,基于此目标匹配方法自动探测相对于2009年建筑物普查数据中的变化信息,实现变化在2009年建筑物普查数据以及两个比例尺电子地图数据中的联动更新,证明基于目标匹配的数据联动更新方法能较好地完成多重表达地理空间数据的更新。