随着空间数据和数据库的迅速发展和广泛应用,空间数据挖掘越来越重要。在地理空间中,经常位于一起的空间特征子集称为空间(正)co-location模式。虽然全连接、部分连接以及无连接算法的提出,解决了co-location模式的挖掘问题,但是这三种算法都存在算法消耗时间过多的问题。负co-location模式挖掘是找出拥有负相关关系的空间特征子集,关于这种模式的研究较少,目前提出的算法必须要在找出所有co-location模式的情况下才能进行负co-location模式挖掘,其挖掘过程复杂耗时。针对目前正、负co-location模式挖掘算法存在的问题,本文做了以下研究工作:(1)提出了极大实例算法。该算法引入了一种新的概念:极大实例,并提出了利用极大实例来生成co-location的所有行实例的方法,并证明这种生成行实例的方法的可行性及有效性。该算法生成行实例和co-location模式的过程都不需要连接操作,与全连接、部分连接和无连接算法相比可以节约大部分计算时间。(2)提出了改进的负co-location模式算法。通过分析正、负co-location模式之间的关系,提出了空间邻近关系对的概念和负co-location模式参与度的非单调性质。该改进算法可以在不需要挖掘所有co-location模式的前提下进行负co-location模式挖掘,解决了负co-location模式挖掘过程复杂的问题。(3)利用合成数据和美国国家交通地图集数据库中的真实数据对提出的正、负co-location模式挖掘算法进行了实验评估,发现了不同交通设施类型间的co-location关系,证实了算法的可行性。通过对算法运行时间的分析,证明了算法的有效性。本文最后部分对研究过程和成果进行了总结,并指出了不足的地方。