街道功能分类是城市规划、数字化城市设计等各种具体应用中的重要主题,而以往的街道研究中往往存在以下四种主要问题:（一）传统的调查、档案形式的街道分析过于依赖手动分析和设计,需要耗费大量的人力物力,（二）已有的开源街道数据的采集渠道大多基于众包技术,不同社区数据的规则要求各异,导致数据质量的参差不齐,很多发展中国家的数据完备性也难以保障,（三）不同学者大多采用不同的街道单元定位方法,这也对模型的设计方式产生了巨大的影响,（四）在以往的功能分类划分中,通常将街道分为商业街道、住宅街道和工业街道,如此宽泛的分类不足以描绘街道可能拥有的丰富属性。由此引发的街道研究规模难以提升、算法复用性差等问题都需要解决。为了得到可用于数字化城市设计的街道数据,本文提出了一种集数据采集、清洗、精简于一体的街道数据预处理方法,对OSM社区中街道数据的格式和有效性进行排查、清洗、矫正;为了街道数据规模的提升,利用R-Tree技术对街道数据进行空间整合,提升相同范围内街道研究的分析速度;并对街道网络进行精简,提供有效、可靠、准确的街道网络数据。在此数据基础上,本文提出了一种街道网络的特征提取方法,以街道中心线数据为基准,辅以建筑数据,通过地理相邻关系计算中心线膨胀大小,然后生成街道单元,定义特征提取的范围。用TF-IDF算法对POI数据进行处理得到街道的业态特征,参考城市规划领域的准则设计街道的形态特征,二者拼接成街道网络的节点特征。得到街道的特征之后,本文权衡网络复杂度和数据量级,确定了整体的模型框架,提出基于图卷积神经网络的有监督分类模型,实现街道网络的节点功能分类。最后设计了三组对比实验,对几种方法进行比较研究,包括:街道网络数据简化与否对分类结果的影响、机器学习算法与图卷积神经网络算法的性能对比、不同图卷经神经网络分类算法在街道功能分类问题下的性能比较。实验表明,本文的数据处理方法以及分类方案具有较好的可行性与鲁棒性,能够提高街道功能分类问题的速度和效果。