空间聚类分析是地理空间数据挖掘与知识发现的主要研究内容之一,旨在发现潜在的空间实体分布模式以及探测空间异常。空间聚类分析在天文学、地理学、地质学、气象学、地图学及公共卫生等众多领域具有广泛的应用。伴随着实际应用的深入,迫切需要发展具有良好自适应性的空间聚类方法,一方面可以自动适应空间数据的复杂分布,如不同形态、不同密度的空间分布等；另一方面能够便捷用户操作,如需要设置较少的参数。为此,本文较为系统地研究了白适应的空间聚类分析方法,主要包括：(1)从空间数据的基本特征与性质出发,分析了空间聚类分析的研究特点；进而,对空间聚类问题进行了明确的定义,建立了空间数据清理、空间聚类趋势分析、空间聚类特征提取、空间聚类算法设计及空间聚类有效性评价等五个部分为核心的空间聚类分析理论框架；最后对现有的空间聚类算法进行了较为系统的总结与分析,对其适用范围与性能进行了归纳。(2)提出了基于场论的自适应空间聚类算法。本文从空间数据场的角度出发,提出了一种适用于空间聚类的凝聚场,并给出了一种新的空间聚类相似性度量指标,即凝聚力。进而,提出了一种基于场论的自适应空间聚类算法(简称FTASC)。该算法根据凝聚力的矢量计算获取每个实体的邻近实体,并通过递归搜索的策略,生成一系列不同的空间簇。通过模拟实验验证、经典算法比较和实际应用分析得出,本文提出的算法能够发现任意形状、密度变化的空间簇,且可以实现无参数聚类。(3)提出了基于Delaunay三角网的自适应空间聚类算法。借助Delaunay三角网描述空间实体间邻近关系,并采取由整体到局部的策略,构造针对性的Delaunay.边长约束准则来发现空间聚集结构,提出了一种自适应的空间聚类算法(简称ASCDT)。通过实验分析与比较发现,ASCDT算法可以自动地发现复杂的空间簇,且对噪声点稳健。在ASCDT的基础上,顾及了空间聚类过程中可能存在的空间障碍(如河流,山脉),并进一步发展了一种顾及空间障碍的空间聚类方法(简称ASCDT+)。(4)提出了基于图论与密度的混合空间聚类算法。结合基于图论与基于密度的空间聚类算法的优势,提出了一种顾及专题属性的空间聚类算法(简称HGDSC)。其主要思想为：首先借助基于图论的空间聚类方法思想针对复杂分布的空间数据集构建实体间邻近关系,进一步借助改进的基于密度的空间聚类方法顾及专题属性进行聚类。通过实验分析与比较证明,HGDSC算法不仅能够适应复杂的空间分布,而且可以同时顾及实体间专题属性的相似性,需要人为的干预较少。(5)提出了基于力学思想的空间聚类有效性评价方法。首先,对较有代表性的空间聚类有效性评价方法进行总结。进而,借助于物理学中的力学思想,结合地理学基本规律,提出了一种基于力学思想的空间聚类有效性评价指标(简称SCV)。通过实验比较分析发现,该指标能够更准确、高效地对二维地理空间数据的聚类结果进行评价。(6)开发了具有自主知识产权的可视化空间聚类分析软件原型-EasyC luster V1.0。包括：空间数据清理,空间聚类先验信息获取,21种经典及改进的空间聚类算法以及3种空间聚类有效性方法(可选35种空间聚类有效性函数)等主要功能模块。