随着移动通讯网络的快速发展和移动智能终端的普及,位置社交网络（Location-Based SocialNetwork,LBSN）服务得到突飞猛进的发展。越来越多的用户利用LBSN服务进行签到活动,促使LBSN中存在大量的用户签到数据,这些数据的背后隐藏着人们的兴趣爱好、行为、生活模式等信息,通过对这些LBSN数据的挖掘可以为人们的生活以及商业带来改变和便利。分类是LBSN数据挖掘的核心和基础技术,是解决LBSN中的相关问题（如兴趣点语义标注问题、推荐问题等）的重要技术手段之一。但是面对LBSN数据独有的特性,现有的分类技术还存在一定的缺陷:首先,随着LBSN社交互动用户、位置签到以及信息共享的不断增加,LBSN数据量急剧提升,面对如此大规模的LBSN数据,现有的分类算法运行效率明显下降;其次,LBSN数据除了具有传统社交网络的社交关系属性、文本属性、时间属性外,还具有独特的地理空间属性,但是现有的分类技术并没有充分利用LBSN数据提供的丰富的属性,导致算法的分类准确度偏低。因此LBSN中的分类技术还有待进一步研究。本文将从LBSN中的相关问题出发,充分利用LBSN提供的丰富属性,并结合具有极快学习速度的极限学习机（Extreme Leaning Machine,ELM）分类器,提出一系列高性能分类方法。本文的贡献点总结如下:（1）基于相似用户的兴趣点语义分类方法。针对LBSN中某些兴趣点上语义缺失的现象,研究了兴趣点语义标注问题,兴趣点的语义标注可以作为LBSN中的多标签分类问题。首先,通过捕获不同用户签到活动的相似性来寻找相似用户,并基于相似用户提取了兴趣点语义特征SUP。其次,在SUP特征的基础上提出了兴趣点语义分类方法MSA-ELM,该方法为标签空间中每个标签训练一个ELM分类器以支持多标签分类。最后设计一系列的实验验证了 SUP特征的有效性和MSA-ELM方法的性能。（2）基于签到频率的兴趣点分类方法。针对LBSN中用户从未访问过的兴趣点,根据用户未来在此兴趣点上的签到频率的预测情况定义了兴趣点分类问题。首先提出了基于签到频率的兴趣点分类方法POIC-ELM。POIC-ELM从LBSN中的兴趣点自身、用户个体、社交关系三个方面提取了九个特征,并使用这些特征去训练ELM分类器。其次针对POIC-ELM方法提取的特征,提出了基于ELM的特征选择方法FS-ELM。最后设计一系列的实验验证了 POIC-ELM和FS-ELM方法的性能。（3）面向兴趣点推荐的ELM分类方法。将LBSN中的兴趣点推荐作为分类问题进行研究。首先对于用户个体的兴趣点推荐,提出了基于ELM的分类方法PR-ELM。PR-ELM从LBSN中的属性特点出发提取了四个特征:兴趣点流行度特征、用户到兴趣点的距离特征、用户的兴趣偏好特征、社交关系特征,并使用这些特征去训练ELM分类器。其次对于一组用户的兴趣点推荐,提出了基于ELM的分类方法PGR-ELM。PGR-ELM在特征提取方面与PR-ELM不同:PGR-ELM方法把组成员的兴趣偏好与组成员的亲密度进行联合,进而提取了一个新的兴趣点组推荐特征。最后设计一系列的实验验证了 PR-ELM和PGR-ELM方法的性能。（4）面向好友推荐的ELM分类方法。将LBSN中的好友推荐作为分类问题进行研究。首先提出了基于ELM的分类方法FE-ELM。FE-ELM利用LBSN中的时空属性、社交属性、文本属性提出了三个与之相应的特征,确保了分类的准确度,随之这些特征用于训练ELM分类器,由于ELM具有极快的训练速度,确保了分类的效率。其次在FE-ELM的基础上又提出了基于分布式ELM的分类方法FE-DELM。最后设计一系列的实验证实了FE-ELM和FE-DELM方法的性能。