近年来,越来越多的组织将收集到的数据,以RDF模型组织后开放给公众,供人们从中检索感兴趣的内容,获取有价值的信息。通常人们可使用SPARQL这类结构化查询语言访问和操作RDF数据,但由于需要用户熟悉语言语法,了解数据集的内部结构,导致这类语言的使用仅限于专业人士,而关键词检索只需用户输入一组关键词,最终就能返回一些小的包含所有查询关键词的RDF子图,相比结构化的查询语言,极大的降低了对用户的要求。同时,一些知名RDF数据集中不仅仅带有文本信息,还有大量时间和位置语义信息,人们可以在这些数据上做基于时空的关键词检索。在本论文中,我们在基于空间的关键词检索模型kSP的基础上,提出了一种在RDF数据上,基于时间和空间的关键词检索模型kSPT,该模型不依赖于任何类SPARQL语言,可以在时间和空间约束下,在RDF数据上进行关键词检索,返回k个与查询最相关的语义地点。针对单个时间约束和时间范围约束的查询场景,分别设计了基于时差的关键词检索模型和基于时域的关键词检索模型。为了使该检索模型能应用于大规模数据集,设计了高性能的查询处理算法,算法包含了基于可达性的时差下限、基于词频的可达性查询、基于限长Iα索引的α半径动态边界和剪除不可达R-tree节点四个优化技术,以排除算法遍历过程中碰到的无效地点顶点,减少计算量。为评估算法的实际执行效率,针对算法设计了多组对比实验,在两个公开数据集上,于不同条件下运行算法,收集并分析实验结果,表明所提出的算法具备在大规模数据上高效计算查询结果的能力。