随着数据采集技术的快速发展,数据量与日俱增。人们周围有越来越多的智能手机、电脑、软件等,这就导致对定位技术和基于位置服务的需求量急剧增长。因此,不管是在现实应用中,还是在各研究领域中,都累积了海量的空间数据。这些海量的数据中隐藏着很多有价值且有决策意义的信息,因此就导致了空间数据挖掘技术的研究。然而,数据的空间同位、同现研究和不确定性研究普遍存在于许多领域中,如通信、志愿者地理信息(Volunteered Geographic Information, VGI)、动植物学和基于位置的服务等。现阶段相关空间数据挖掘算法效率较慢,应用领域中阈值选取困难且多数算法都不能有效地处理不确定数据。本研究针对不确定数据下空间同位挖掘算法效率较低的问题,采用Filter-Refine方法和实例无连接方法等,提出了适用于挖掘不确定数据下空间同位模式的改进算法,分析了算法的完整性、正确性等,提高了获取不确定数据下空间同位模式的效率。在此基础上提出了面向位置不确定的时空同现模式的定义,分析了该模型的完整性和正确性,并实现了挖掘面向位置不确定的时空同现模式的算法。实验数据表明,上述算法是有效的且合理的。在研究时空同现模式和部分周期时空同现模式的基础上,针对不同应用领域选择阈值困难的问题提出了基于TOP-K%方法的挖掘算法,实验结果表明,该算法是合理的,且可以有效地挖掘出时空数据中的部分周期时空同现模式。