随着信息技术的飞速发展，现实世界中的大量空间数据被存储在空间数据库中，为了找出空间数据库中数据间的相互关系及其规律，提出了空间挖掘技术。空间聚类是空间数据挖掘的重要方法之一，它以较强的实用性和高效性正成为空间数据挖掘领域的研究热点。　　 本文首先对数据挖掘和空间数据挖掘的概念作了介绍，并分析了它们之间的相同点和不同点，着重介绍了空间数据挖掘方法中的空间聚类概念。空间聚类跟传统的聚类方法并不完全相同，它针对的是具有自己特殊性质的空间数据库。本文详细介绍了空间聚类的分析过程和要求，以及评判空间聚类质量的方法；同时也对目前几种常用的空间聚类方法进行了介绍、分析和比较，为下一步的研究工作奠定了理论基础。　　 由于空间数据具有海量的特征，本文对聚类中的经典算法k均值算法进行了分析，k均值算法虽然在针对大规模数据时有执行速度快的特点，但是对初始聚类中心比较敏感，容易陷入局部最优解，直接影响聚类效果。空间数据挖掘同传统数据挖掘一样也是一门综合了多门学科领域的方法，而人工智能领域在空间数据挖掘中也起了很大的作用。本文旨在将人工智能领域的粒子群优化算法用于改进k均值算法，对k均值算法的初始聚类中心的选择上进行优化。在优化后选择出来的聚类中心上再运行k均值算法进行空间数据聚类，从而提高聚类效果。实验证明，以聚类内部距离值为聚类质量评判标准时，虽然消耗的时间比较多，但是基于粒子群优化算法的改进k均值算法在对空间数据聚类的结果上要好于传统的k均值算法。