人口数据能反映一个国家或地区的人口在地理空间中的分布,也是反映社会经济发展和城市建设状况的重要数据源。传统的人口数据通常以人口普查和抽样调查的方式统计获得,存在时效性差、难以与其他地理空间数据融合等局限。人口数据空间化方法是实现人口空间分布模拟的有效方法,能得到的更高时间和空间分辨率的人口数据。然而此类方法在模拟人口空间分布时采用“自上而下”的建模思路,模拟得到的结果难以反映“自下而上”微观个体行为过程。多智能体ABM（Agent-Based Model）模型可以通过模拟微观层面的智能体（Agent）的决策行为从而“自下而上”地模拟人口空间分布宏观现象。对于ABM模型而言,如何有效确定Agent行为规则参数是构建ABM模型的关键。基于智能优化算法得到的Agent行为规则参数可以提高模型精度,但目前该方法较少应用于人口空间分布模拟。此外,地理大数据为基于ABM的人口模拟研究提供了新的视角,但现有研究在利用ABM模型模拟人口居住决策行为时缺乏结合地理大数据表征模型环境。因此,本研究以广东省的重要制造业大都市—东莞市为研究区域,基于劳动经济学理论,应用兴趣点（Points of Interest,POI）数据和东莞市第三次全国国土调查中的建筑数据来精细化表征ABM模型环境,构建ABM模型模拟真实世界的劳动力供需平衡关系和Agent的就业—居住决策行为,并结合实有人口调查大数据和遗传算法（Genetic Algorithm,GA）自动校准Agent居住决策参数,分别利用经遗传算法校准后的ABM模型（GA-ABM）和基于专家经验法（Expert Experience Based,EEB）的ABM模型（EBB-ABM）模拟东莞市2019年人口空间分布情况。其次,城市中的人口的就业—居住决策行为对于人口空间分布具有重要影响,在制造业大都市中,产业用地的发展影响人口就业选择,而人口就业选择对居住决策行为具有重要影响,最终影响人口空间分布。然而,已有研究在模拟未来人口空间分布时基于静态的模拟环境,缺乏考虑未来产业用地变化对人口决策行为的影响。因此,本研究将耦合FLUS模型、Markov模型和SD模型模拟东莞市2030年历史发展情景（HD）、轨交引导情景（RTL）和创新驱动情景（ID）下的产业用地变化,分析未来不同发展情景下东莞市不同产业用地的空间扩张情况,为东莞市未来不同发展情景下的人口空间分布模拟提供环境基础。最后,本研究将未来产业用地多情景模拟结果和ABM模型开展顾及未来产业用地变化的人口空间分布多情景模拟。本研究的主要发现如下:（1）与校准前的Agent决策参数相比,经遗传算法校准后的Agent居住决策参数可以更好地反映不同Agent居住决策偏好的异质性,经遗传算法校准后的GA-ABM模型相较于校准前EBB-ABM模型在不同尺度下均具有更高的模拟精度,且随着空间尺度的缩小,GA-ABM模型和EBB-ABM模型的模拟结果之间相对误差的差距逐渐增大。（2）本研究所构建的FLUS模型和SD模型具有较高的精度。根据土地利用变化驱动要素分析结果可知,东莞市第一产业用地的发展主要受自然要素的影响,第二产业用地的扩张与自然要素、区位要素有关,第三产业用地的扩张与区位要素和人类社会经济活动要素密切相关。在未来不同发展情景的产业用地模拟结果中,历史发展情景下的第一产业用地将大量减少,第二产业和第三产业用地将沿着已有产业用地周围向外扩张;轨交引导情景下的轨道交通站点规划将促进第三产业用地的扩张;创新驱动情景下的创新中心的规划将促进第二产业用地的扩张。（3）未来人口空间分布模拟结果表明,轨交引导情景和创新驱动情景下的东莞市人口规模相较于历史发展情景将出现显著增长。在人口空间分布层面,2030年东莞市东部地区的人口空间分布区域相较于2019年将出现明显扩张,但东莞市中西部仍然是人口集中分布区域。同时,研究发现未来轨道交通站点和创新中心的规划建设将带动区域人口增长,而顾及未来产业用地变化可以更好地揭示未来不同发展情景下的人口空间分布的变化规律。