新型冠状病毒肺炎COVID-19作为一种突发的新型急性呼吸道传染疾病,对全世界公共卫生、经济生活和社会发展造成了重大威胁。截至2021年底全球范围内累计确诊病例人数已接近4亿,累计死亡病例人数也高达570万。时间、空间和人口是疫情传播的三个重要维度。本文利用空间统计学和深度学习的理论方法探究了疫情传播的时空异质性和时空依赖性,并通过构建时空预测模型,定量分析了2020年春运期间湖北省疫情的时空传播特性。主要工作包含以下两个方面:（1）利用时空地理加权回归模型分析了疫情传播与人口流动关联的时空异质性。本文以疫情确诊病例为因变量,城内人口流动指数和武汉人口流入指数作为解释变量,构建了时空地理加权回归（GTWR）模型,结果表明GTWR模型拟合度可达90%以上,优于地理加权回归（GWR）、时间加权回归（TWR）等模型;进一步的分析发现,疫情传播与人口流动的关联呈现明显的阶段性特征和时空分异性,并且在各阶段实验结果中,GTWR模型的效果也均优于上述其他模型。（2）顾及时空依赖性构建了一种时序图卷积神经网络的时空预测模型。针对COVID-19疫情城市传播过程中存在的时空依赖关系,本文利用长短期记忆网络（LSTM）提取疫情时空传播的时间特征,利用图卷积网络（GCN）提取疫情时空传播中的空间特征,并将两者融合提出了一种时序图卷积神经网络时空预测模型。实验结果表明,该模型能顾及时空依赖性,具有较好的时空预测能力。相比于现有的同类模型,它具有更好的收敛性（MAE损失值为其他模型的33%以下,RMSE损失值仅为其他模型的7%以下）和计算效率（训练时间和效率比其他模型快1.8倍以上）。上述实验结果表明时空上的人口流动是COVID-19疫情传播的主要驱动因素,且疫情的传播具有明显的时空特征;同时兼顾时间、空间依赖性的时空预测方法相较于传统模型能够获得更好的预测效果。