海洋异常变化指某时刻的海洋环境要素相对于长时间序列平均状态的变化,如海洋表面温度的月均异常变化、海面高度的季节异常变化等。海洋异常变化时空聚簇模式挖掘不仅是数据挖掘的重要组成内容,也是全球变化研究中的热点问题之一。海洋异常变化在区域上具有空间属性和专题属性双特性,而现有聚类方法多是考虑单一空间或专题属性的聚类,割裂了海洋异常变化的这种双重特性,兼顾空间与专题属性的空间聚类方法大都面向矢量数据集合,同时又存在算法复杂、参数设置多等问题。此外,海洋异常变化还具有时间敏感性以及动态渐变性,为发现更有研究价值的聚簇模式,需要开展针对海洋异常变化的时空聚类算法探索,而现有时空聚类算法大多面向时空点数据集,算法的时空邻域模型设计不适合海洋异常变化,且相关方法还存在参数选取困难、算法效率较低等缺陷。基于此,本文首先开展针对海洋异常变化的空间双重约束聚类方法研究;在此基础上开展综合海洋异常变化时间、空间、专题属性三重特性,面向时序栅格数据集的时空聚类方法探讨;最后结合提出的时空聚类方法开展太平洋区域的海洋时空聚簇挖掘研究。具体工作如下:1)首先,针对海洋异常变化在区域上具有空间与专题属性双特性的特点,提出了一种面向栅格的空间-属性双重约束聚类算法(A Raster-oriented Clustering Method with Space-Attribute Constraints,RoCMSAC)。RoCMSAC算法利用海洋异常变化栅格数据空间邻域和空间连通特性,重新定义栅格簇的相似性度量准则,通过“属性均质簇生成”、“空间相邻栅格簇合并”和“空间邻近栅格簇合并”三个步骤对栅格数据进行空间-属性双重约束聚类。利用太平洋海域海表温度栅格数据对算法的可行性以及有效性进行验证,并与现有算法进行对比分析。通过实例验证与对比发现:(1)RoCMSAC方法能够保证海洋异常变化空间域的邻近性和属性域的均质性;(2)RoCMSAC方法可以发现各种复杂形状的栅格簇,且算法时间复杂度低,需输入参数较少。2)其次,本文针对海洋异常变化的空间区域性和时间敏感性,提出了一种面向时序栅格数据集时空聚类算法(Time series Raster-oriented Spatio-Temporal Clustering Method,TRoSTCM)。TRoSTCM算法利用栅格数据连通、相邻等特点,以及海洋异常变化的演变过程来构建时序栅格数据集“时空立方体”作为时空邻域模型;采用基于密度聚类的思想,结合海洋异常变化对象的时空特性对时空聚类规则与相关概念进行重新定义,设计时空聚类算法步骤。将海表面温度异常变化时序栅格数据集作为实验数据,开展TRoSTCM方法与现有典型时空聚类方法的对比分析,通过对比发现:(1)TRoSTCM方法能够兼顾海洋异常变化的时序特征、空间特征与专题属性特征,可更为准确地对时序栅格海洋异常变化数据集进行时空聚簇模式的挖掘;(2)TRoSTCM方法算法复杂度较低,具有处理大规模时序栅格数据集的能力,并能够发现各种复杂形状的时空聚簇模式。3)最后,基于提出的时空聚类算法TRoSTCM开展太平洋海洋时空聚簇挖掘实例研究。通过实例验证发现,TRoSTCM挖掘的海洋环境要素异常变化时空聚簇模式符合客观事实,且海洋环境要素时空聚簇的时空变化过程与ENSO过程存在着很强的相关性。这不仅说明了TRoSTCM方法的正确性,也体现出了TRoSTCM方法在区域海气相互作用和全球变化与海洋异常变化的相互“响应”与“驱动”机制研究方面具有重要的应用价值。