随着传感器网络技术、通信技术和定位技术的发展与日臻成熟,采集到的时空大数据相比于传统数据有着覆盖面广、时空分辨率高、成本低廉等优势。城镇化进程中城市人口增多导致城区中出现突发事件例如车祸、集会等的概率增加,如果得不到及时的侦测和做出应对措施有可能会产生交通堵塞等严重后果。而利用时空大数据进行实时的城市功能分区识别以及异常检测的技术,不仅可以帮助政府更好地对城市用地进行规划管理,还可以帮助维护城区治安。本文对城市功能分区及异常事件检测应用场景进行研究,试图将多数据源特征融合技术以及时空近邻异常检测框架应用于城市分区及异常事件检测场景,旨在提升城市功能分区及异常检测准确率,从而为城市管理者进行城市规划以及城市维稳管理提供支撑。首先,在基于时空大数据的城市功能分区的场景下,本文提出了一种对多数据源特征融合进行改进的方式进行功能分区识别。利用Glove和LDA(Latent Dirichlet Allocation,潜在狄利克雷分布)模型提取POI(Point of Interest,兴趣点)数据中的空间位置信息、语义频率信息及概率分布信息,对通话位置数据按小时进行总人数聚合得到时间序列向量,通过相似度矩阵将多数据源特征融合为一个特征,并使用无监督聚类进行城市功能分区识别。该算法通过真实数据集验证在准确率和土地规划图一致性上都有较好的表现。其次,本文提出一种结合多数据源特征融合和时空近邻异常的方式来检测异常事件。由于传统异常检测方法一般只用单一数据源导致只根据单一属性检测出的异常准确率会比较低,为了解决以上问题本文提出的异常检测流程框架分为两部分,第一部分引入多数据源特征融合解决了数据源单一性问题,第二部分对上步检测出的异常点分别进行时间邻居和空间邻居异常验证确保了异常检测的准确率。在真实异常事件的实验表明本文提出的异常检测框架具有良好的效果。