随着中国城市化进程的快速发展,新兴城市街区的建设及规划对地图更新和地图综合的自动化提出了更高的要求。建筑物作为地图上的重要组成部分,占据了大量的地图空间,通常具有复杂的形状和空间分布,因此建筑物综合一直是一项重要且富有挑战性的任务。矢量建筑物综合过程主要包括三个步骤:（1）对整个数据集应用空间聚类算法,（2）提取建筑物空间分布模式,（3）对创建的集群和模式执行相应的综合操作。因此建筑物聚类技术作为其模式识别的基础,可以挖掘居民地的潜在空间分布规律,对实现建筑物综合具有重要的意义。建筑物聚类是一项复杂的技术,首先因为建筑物群体的空间分布具有任意的形状、不同的密度和不平衡的大小,其次是建筑物个体的几何、语义和结构特征的相似性和规律性不一,这对聚类方法的确定和建筑物度量因子的选择提出了更加严峻的挑战。因此,针对当前研究中空间聚类算法无法最优的结合建筑物空间属性特征和其拓扑信息的缺陷,不能完全正确、有效的检测建筑物群组的分布模式的问题,本文利用深度学习的方法对建筑物群组的聚类方法进行探索和研究,提出了注意力驱动融合聚类的方法,该方法的优势在于能够自适应的融合学习所构建的建筑物群组的图结构数据的节点属性信息（高维）和其结构信息,使获得的特征数据更加可靠且易于聚类。主要内容为对建筑物深度聚类方法中的建筑群的图形表示、单体建筑物的特征描述、深度聚类网络模型和聚类结果分析的研究,旨在使面状居民地群模式提取的结果更加契合人类认知,为制图综合与模式识别提供有力支持。本论文主要研究内容如下:1)建筑物聚类的几何图模型构建和表达。引入深度学习的方法需要对建筑物的数据组织结构进行规范化。基于格式塔理论的邻近性原则和相关空间认知准则对二维面状结构的建筑物群构建Delaunay三角网,并生成类Voronoi图的剖分,根据得到的邻近关系构建建筑物群的邻接矩阵。2)建筑物聚类的特征因子计算。描述了基于建筑物的位置、面积、方向、形状、密度等因子来量化格式塔认知理论时常考虑的视觉变量,本文归纳了单体建筑物和群体建筑物的特征因子,并给出了这些度量因子的计算方法。3)注意力驱动融合聚类网络模型建立。本文提出了一个无监督的建筑物群模式提取框架,通过在图卷积网络上嵌入空间聚类算法来发现不同的建筑物群。具体来说,该框架提出了两种基于自编码器和图自动编码模块,分别从原始数据中学习图节点特征信息和拓扑信息,融合模块利用注意力机制动态的融合两个模块的学习表示,随后采用Kmeans的方法对该学习表征进行聚类。在两个模块训练的同时,自监督模块将通过相应的损失优化聚类标签分配,调整网络参数,以学习适用于聚类的表示特征,提高聚类的精度。同时为了使整个实验为一个完整的端到端的过程,本文对建筑物街区的划分是一个自动的过程,保证了实验数据的整体性及实验的简易性。4)实验验证和对比分析。利用公开地图（OSM）所提供的不同区域的数据集进行实验,每组数据集通过投票设定标签,将其视为真实值。通过多种聚类指标分析聚类结果的优劣,并同时对比了多种传统空间聚类算法结果的视觉效果,实验表明本文提出的注意力驱动融合聚类网络的能力优于传统的空间聚类算法,肯定了深度学习在建筑物空间数据挖掘中的潜力。