决策树归纳法是一种基于空间数据挖掘和知识发现的分类预测算法，适合用于发现探测式知识，并具有易于人工解译、结构清晰明了、计算时间花费少以及能够处理噪声等特点。它可以从大量的遥感影像数据中提取隐含的、预测未知的以及潜在有用的信息。　　然而，从空间数据挖掘的角度来看，传统的决策树归纳法并没有考虑属性间的空间关系，例如时空域中的空间协同并置（co-location）关系。为此，Zhouet al.（2012）利用co-location技术来指导传统决策树的构建，提出了一种叫作co-location decision tree，CL-DT的归纳方法。CL-DT算法利用欧氏距离来判断两个实例之间是否存在空间协同并置关系。尽管当实例在三维（或更高维）空间属于线性分布时，欧氏距离能够有效地表达实例间的实际距离，但是当实例在三维（或更高维）空间属于非线性分布时，欧氏距离并不能反映出实例间的实际距离。为了解决CL-DT中存在的缺陷，本文在CL-DT算法的基础上对其做了改进，并提出了一种新的决策树归纳方法，即基于MVU的空间协同并置挖掘决策树（MVU-based CL-DT）。MVU-based CL-DT算法利用最大方差展开算法（Maximum Variance Unfolding，MVU）对数据集进行“展开”，然后对“展开”后的数据集中的实例进行“展开距离”的计算。由于MVU算法在展开数据集的时候，实例间的邻近关系（距离和方向）并没有发生改变，这使得实例间的展开距离可以真实地表达它们之间的距离。　　本文对MVU-based CL-DT算法以及实现该算法的步骤进行了详细地描述。首先，本文描述了利用MVU算法展开数据集以及计算实例间展开距离的详细过程；其次，本文对MVU-basedco-location mining算法进行了描述，在这一过程中，本文发展了一种混合约束条件，即基于实例间展开距离的几何约束条件和不同事件类型的约束条件；最后，本文专注于发展MVU-based CL-DT算法，主要包括非空间属性数据的选择、MVU-based co-location算法模型、剪枝准则以及MVU-based CL-DT的归纳。在这一过程中，基于MVU的空间协同并置规则集被用来指导决策树的构建和决策规则的产生。　　为了验证本文所提出的算法，MVU-based CL-DT被用于遥感影像的分类。通过比较本文所提出的算法和 CL-DT算法得到的结果以及这两种决策树归纳方法的参数，本文发现：（1）在两个测试区，通过本文所提出的算法所获得的遥感影像分类结果的总体精度都高于90％，而 CL-DT算法所获得的遥感影像分类结果的总体精度都低于90%。（2）与CL-DT算法相比，树节点总个数、叶节点个数和层级数分别减少了48%、45%和25%。（3）与CL-DT算法相比，数据处理用时、决策树生成用时、画树所用时间及规则生成所用时间分别减少了25%、38%、44%及43%。