特征选择方法是指从数据的初始特征集中,根据一定的方法选择出符合某种标准的特征子集的方法。作为一种常见的数据预处理方法,特征选择是数据降维中一种重要的手段,在机器学习中数据降维处理发挥着重要的作用,其可以有效过滤数据中噪声,提升后续机器学习的效率。对于空间数据而言,传统的特征选择方法没有考虑到空间数据点之间的空间位置关系。通常空间数据都有着特定的空间分布特征,空间自相关性和空间异质性导致空间对象存在一定的依赖关系,会在一定程度上呈现出同类聚集的特性。但对于通用数据的研究都没有假设数据点的分布特征,或者默认假设其均匀随机的分散在空间之中。传统特征选择方法在对空间数据进行特征选择时没有考虑到这一点,无法有效的利用空间数据的分布模式选择出更适合空间数据的特征。因此,使用传统方法面向空间数据直接进行特征选择时,其结果对目标的解释能力并不能真实的反映地理现象的实际情况。为了在特征选择过程中充分利用数据点之间的空间位置关系,本文旨在提出一种面向空间数据的新的特征选择方法（RFSM）。该方法的目的是为了探究空间数据点间位置关系对于空间数据进行特征选择产生的影响。与直接利用传统特征选择方法相比,RFSM方法考虑了空间数据特有的分布模式,重点研究特征选择过程中临近数据点产生的影响。实验目的是为了在特征选择的过程中充分利用区域内数据点间的空间依赖性并且忽略远处数据点对该区域数据造成的影响。RFSM方法将采取如下步骤进行。首先对每一数据点建立空间邻接矩阵,其次对该区域内的数据点进行传统方法的特征选择,最后综合得到的结果并使用机器学习分类算法对不同算法得到的结果加以比较。实验表明,RFSM框架较为稳定,当选择出空间数据的特征子集维数比较小时,算法在RFSM框架下选择出的特征子集分类预测性能相较原算法而言有一定的提升。此外,本文还设计并实现了基于Python的空间数据区域性特征选择系统,系统面向空间数据,旨在利用空间数据的位置关系进行特征选择。系统选用的GUI框架为Tkinter并且使用GDAL数据库来管理矢量数据,确保了系统具有良好的兼容性和可移植性。