在城镇化发展增速较快的现阶段社会,电子地图的大量需求对传统的人工制图综合的制作周期提出了挑战。因此,实现制图综合的自动化对满足社会需求具有重要意义。矢量地图建筑物的聚类是制图综合的一个重要组成部分,是解决比例尺变换过程中的地图建筑物化简的相关问题的主要步骤,实现矢量地图建筑物聚类的自动化对整个制图综合的流程也具有重要的推进作用。因此,本论文针对城镇地图要素的构成主体即建筑物多边形进行聚类研究,旨在提出更精确的聚类方法,为制图综合自动化提供有力支持。计算机技术的发展促进了地图要素聚类的自动化,因而通过利用算法分析和软件开发等步骤对地图各要素等进行图形分析变换并且实现最终的聚类,这类研究是目前自动综合过程中的聚类步骤的主要趋势。本论文首先是在研究了SOM神经网络算法原理的基础上,对基于建筑物重心坐标因子实现聚类的研究方法提出改进。其次,在改进的过程中,本论文提出多个对建筑物形状和位置特征的描述数据,并将该类数据命名为建筑物因子。之后利用该类型数据在使用SOM算法的第一次大范围聚类,并且在初步聚类操作的基础上,进行建筑物因子相似性的二次精细聚类。即在原有重心坐标位置聚类的群组划分基础上,通过建筑物因子特征相似性,实现在建筑物大群组中进行再次分组,即建筑物的二次精细聚类。通过对不同研究区域的二次聚类对比实验,得到了不同建筑物因子在不同形态分布的地图聚类效果各不相同的结论,即由于不同地图的建筑物形态和位置分布各异,不存在具备普适性的聚类效果的单一建筑物因子。因此,文章对多个建筑物进行因子分析和主成分分析,旨在通过进行降维,探索利用具备较多信息的综合因子代替不同因子聚类效果的缺陷。实验结果表明,该方法虽然不具备单一因子对单幅地图的精确效果,但是能够较好的满足不同类型地图的聚类基本需求。最后文章探索了三维地图建筑物的聚类实现,利用高程数据和重心坐标数据的相似性,对三维地图开展了聚类实验并进行了可视化效果展示。