随着空间数据获取技术的快速发展,空间数据的数量、大小和复杂性都在急剧增加,已经远远超出了人们的解释能力,致使“空间数据爆炸但知识贫乏”。因此,利用空间数据挖掘和知识发现从空间数据库中挖掘出事先未知的、却潜在有用的空间模式变得十分必要。然而由于空间数据的复杂性,及数据量的庞大,给空间数据挖掘带来了一定的难度。如何使用有效的数据挖掘手段从空间数据库中挖掘出有用的信息,是当前亟需解决的一大问题。本文在深入研究了国内外空间数据挖掘算法研究现状的基础上,比较与分析了现有空间数据挖掘算法,讨论了影响空间数据挖掘效率的空间索引技术,对基于密度聚类算法进行了研究与比较,并针对密度聚类算法对空间数据挖掘大量数据点处理上的时间复杂性及对参数的敏感性问题,提出了一种具有矢量约束侯选点的RCDBSCAN算法。该算法以传统的基于密度的聚类算法DBSCAN算法为基础,以发现线形聚类结构为目标,采用了矢量约束候选点的方法来进行候选点的选取,减少了数据点的处理;同时采用数据分区技术对数据集进行分区,再在各个分区进行密度聚类,降低了初始参数的敏感性;为了加快数据的存取速度,算法采用SS索引方法对数据进行访问。最后,采用国家地理研究所提供的太行山区空间地理数据对算法进行了实验验证,实验结果表明,本文提出的算法较传统DBSCAN算法在时间复杂度上有了较大的改进,同时对聚类簇边界点的处理收到良好的效果,为三维地形分析提供了有效的保证。