地理时空数据是重建地理现象和演化过程的重要数据源,然而由于现实中各种因素的影响,在数据采集、存储等各个流程中,常常会出现数据缺失的情况,对地理分析造成一定的干扰。为了保证数据的完整性和连续性,在地学研究中最常见的方法是对其进行插值处理。然而常规的地理数据插值方法往往侧重于对时空数据静态空间位置和属性的研究,没有顾及到数据的时空相关性和各向异性等特征,造成了大量有价值信息的丢失。并且地理属性往往不是单独存在的,多种属性的变化之间往往具有一定的关联性,利用这些时空变量之间的关联信息,通过多输出学习,在不同数据集中共享信息,通常能够提升插值效果并更好地解决数据不足的问题。高斯过程（Gaussian Process,GP）是近年来国际上发展较为迅速的一种机器学习算法,能够融合数据的先验信息进行统计分析,对于处理高维度、非线性等复杂问题具有很好的适应性。本文基于高斯过程机器学习算法,首先对时间序列数据的潜在规律进行分析,并在此基础上通过组合协方差函数的形式模拟数据集中的隐含特征,能够获得更为可靠的插值结果;针对地理数据空间分布中存在的方向性特征,对地理属性表现出的的空间各向异性进行研究,并进一步推出了由相关性系数替代欧式距离的各向异性插值方法,相较于常规算法其插值精度更高;对地理数据的时空一体化模式进行探讨,构建时空协方差函数实现了时空信息的智能化融合,并在此基础上引入多输出学习概念,对多种地理属性表现出的相关性特征进行研究,构建了地理时空数据集的多输出高斯过程方法,能够在训练中利用多变量间的相互关系提升模型的预测性能;另外,为提升高斯过程插值模型的运算效率,对该模型的超参数优化方法进行研究,并为该模型设计了一套完整的训练样本选择方法及动态预测流程。最后,将本文所提基于高斯过程的地理时空数据插值模型分别引入空气质量监测数据集、变形监测数据集和水质监测数据集中进行实例研究,对不同时空序列数据集中时空数据表现出的时间特征、空间特征、时空特征以及多属性关联特征进行具体分析,并对本文所提模型的预测精度和计算性能进行验证。实验结果表明,基于高斯过程的地理时空数据插值模型在多种情况下均能取得较为良好的插值效果,并且能够在保证精度的前提下提升计算效率,具有一定的实用性和可靠性。