空间数据挖掘是指从空间数据库中提取用户感兴趣的空间模式与特征、空间与非空间数据的普遍关系及其它一些隐含在空间数据中的普遍的数据特征。聚类分析是数据挖掘中的一种非常重要的技术和方法。空间聚类分析既可以发现隐含在海量数据中的聚类规则，又可以与其它数据挖掘方法结合使用，发掘更深层次的知识，从而提高数据挖掘的效率和质量。空间聚类分析是空间数据挖掘的重要研究方向之一。本研究主要内容如下： ⑴对空间数据挖掘进行了概述，介绍了空间数据挖掘的理论、方法和研究内容。 ⑵阐述了聚类的概念，系统而完整地分析和总结了主要的空间数据聚类算法的性能、优缺点、计算复杂度以及各聚类算法的应用条件。 ⑶针对DBSCAN算法I/O开销和内存消耗大的缺点，提出了基于层次合并的密度算法。该算法减少了DBSCAN算法中需要查询的点的数量，从而克服了DBSCAN算法I/O开销和内存消耗大的缺点。算法分析表明该算法对DBSCAN的改进是有效的。 ⑷在空间聚类中，最佳聚类数k求解的关键是构造合适的聚类有效性函数。针对典型K-平均算法中的聚类数k必须是事先给定的确定值，然而，实际中k很难被精确地确定，使得该算法对一些实际问题无效的缺点．提出距离代价函数作为最佳聚类数的有效性检验函数，建立了相应的数学模型，并据此提出了一种改进的k值优化算法，实例进一步验证了新方法的有效性。 ⑸提出了一个基于聚类的空间数据挖掘系统的框架，从系统设计目标和系统设计展开研究，采用模块化设计的思想，将系统设计划分为数据访问、聚类、用户交互和知识库管理4个模块；将本文研究的聚类方法集成在一起，为基于聚类的空间数据挖掘方法与应用提供技术支撑。