随着数据挖掘研究领域的不断拓展,越来越多的数据挖掘方面的研究工作从关系型和事务型数据库扩展到了空间数据库。在卫星和遥感技术的支持下,空间数据库中可以收集和存储日益丰富的空间数据。随着对空间数据不断深入的应用需求,推动了空间数据挖掘技术的研究与发展,在地理信息系统、地理市场、遥感、医学图像处理、公共卫生、国防、生态和环境研究等多个领域有着广泛的应用。与传统的数据不同,空间数据通常是相关的,即两个空间对象的位置越近,就越可能具有相似的性质。空间并置(co-location)模式是空间特征的一个子集,它们的实例在空间中频繁共现。例如,西尼罗河病毒往往发生在蚊子泛滥、饲养家禽的区域。植物学家发现“半湿润常绿阔叶林”生长的地方80%有“兰类”植物生长。以往的空间co-location模式挖掘研究中,不管挖掘对象是点对象还是扩展对象,都没有考虑到空间特征和实例的影响,而且提出的指标比如参与度(Participate Index)和覆盖率(Coverage Ratio),没有体现出空间特征和实例的影响差别以及特征实例间在空间的影响区域结合情况。为此,本文提出高影响co-location模式及挖掘算法。首先,我们定义了“影响”这一概念,提出了空间实例影响、空间特征影响、特征在模式中的影响等相关定义。为了合理的评估高影响模式的有趣程度,我们定义了特征在模式中的影响率(ER:Effect Ratio)及模式影响指数(EI:Effect Index),综合评估特征对模式的影响及高影响模式的有趣程度。其次,提出了挖掘高影响co-location模式的基本算法(HICPBA),并在基本算法的基础上提出了相应的剪枝策略。最后,通过实验分析和验证了带有剪枝的挖掘算法的效率,以及分析了挖掘到的高影响co-location模式的意义。