论文较系统地研究了利用广义线性混合模型(GLMM)检测空间聚类和空间效应的问题，给出了一对基于Poisson模型的调整数据的Moran I空间聚类检测方法。这是一种全新的空间聚类检测方法。通过随机模拟实验对方法的检测效果进行了评估，并证明了Moran I的一些渐近性质。　　论文主要包括以下内容：　　首先，系统地介绍了广义线性模型(GLM)、线性混合模型(LMM)、广义线性混合模型(GLMM)以及它们的参数估计方法，并分析了它们的不同特点。通过比较可以看出广义线性混合模型(GLMM)可以用来对空间对象属性进行建模，分析它们潜在的空间效应。　　其次，研究了空间聚类的检测方法，给出了一对基于Poisson模型的调整数据的Moran I空间聚类检测方法（包括高值聚类检测方法和低值聚类检测方法），并利用蒙特卡罗方法在模拟的空间类型中对方法进行了验证，结果表明给出的方法是有效的。　　最后，研究了利用广义线性混合模型(GLMM)对空间事物属性进行建模的方法。假定最低层次计数服从泊松模型，然后利用广义线性混合模型(GLMM)对相关风险进行建模。用估计的空间关项来解释空间聚类，用随机项来表示空间混合效应，用I aPR来检测聚类趋势。第四节给出了Moran I的一些渐近性质，这些性质也适用于I aPR。另外设计了一个检索程序来确定空间关联项。最后对模型进行了随机模拟。