时空数据挖掘是较为前沿、新兴的数据挖掘研究领域之一,旨在分析较高维度的时空数据,提取出时空数据中潜在的、有价值的知识。时空聚类、时空关联则是其重要的两个分支。时空聚类中阈值的合理设定,且将时空聚类和关联规则应用到具有多属性维度的时空数据集中是现在的一大难点。针对这些问题,本文主要从以下几个部分进行研究:首先,针对传统时空聚类算法ST-DBSCAN在人为设定阈值上存在较大随机性,从而导致聚类结果不理想的问题,提出了一种时空距离频数柱状图设定阈值的方法,并通过对比实验来证明该方法下的聚类结果更为合理、准确。其次,针对时空聚类算法ST-DBSCAN仅限于处理三维时空数据的聚类分析,面对多于三维时空数据的聚类,提出了一种新的混合属性时空聚类算法。该算法通过引入Gower相似系数、Dice相似系数与欧几里得距离构建混合属性相似度模型来计算多个事务对象之间属性特征的相似度大小,当满足相似度阈值的多个事务对象则可纳入同一个时空簇内,从而将原始的时空聚类算法扩展到更多维度的聚类分析中。最后,针对在关联规则算法FP-Growth的基础上,如何判断多维时空数据集的时空与属性之间的关联关系的问题,在传统关联规则概念的基础上进行了空间、时间和属性语义上的扩充,同时考虑空间和时间约束,提出一种改进的多属性时空关联算法,从而计算出多维时空数据集的时空与属性之间的关联规则。通过下载职位招聘数据构建多维时空数据样本库,完成模型搭建并实现算法对样本库的挖掘。结果表明,两种算法对多属性时空数据的聚类和关联分析具有良好效果,且拥有较好的普适性,将其应用于不同类型数据的领域,其结果分析能提供合理、有效且实际的指导意义。