空间co-location模式挖掘的目标是发现空间特征集的子集,这些特征的实例在地理空间中频繁相邻出现。然而,在许多实际情况中,空间特征的实例不仅包含空间位置信息,还包含属性信息。现有的大多数co-location模式挖掘算法只关注特征的空间位置信息,而忽略了其属性信息。虽然已经有一些研究使用一型模糊隶属度函数挖掘模糊co-location模式,但这种隶属函数存在很大的不确定性。为了解决这个问题,我们提出了一种基于区间二型模糊集的模糊co-location模式挖掘方法。首先,收集专家对于属性信息的评价值,形成粒度数据。然后,将原有的一型模糊隶属度函数扩展为基于椭圆曲线的颗粒二型模糊隶属度函数。我们使用渐进的方法调整模糊隶属函数的参数,使其不确定域既满足了连通性,又达到了给定的置信度。基于这种颗粒二型模糊隶属度函数,我们将实例的属性信息模糊化,定义了模糊特征的上界参与率与下界参与率、模糊模式的上界参与度与下界参与度、绝对频繁的模糊co-location模式、带有频繁倾向度的模糊co-location模式、绝对不频繁的模糊co-location模式等概念。设计了一种基于空间团和区间二型模糊集的模糊co-location模式挖掘算法,称为FCPM-clique算法。为了提高算法的效率,我们提出了两种剪枝策略。此外,我们扩展了两种经典的空间co-location模式挖掘算法（Join-based算法和Joinless的算法）,用来挖掘基于区间二型模糊集的模糊co-location模式。我们在合成数据集和真实数据集上进行了大量实验,比较了三种算法的性能,证明了我们提出的FCPM-clique算法的有效性和高效率。