在城市智能计算中,基于定位轨迹数据（GPS）和兴趣点数据（Points of Interests,POI）的城市功能区域划分,可以为城市道路规划、智能交通调度和基于位置的社区服务等多个方面提供有效支撑。然而,受限于城市区域的连通性、兴趣点分布的聚集性以及轨迹与区域功能之间的弱相关性,现有研究通常仅能实现行政区域级别的粗粒度划分,难以满足城市计算的需要。本文在城市计算背景下,针对城市功能区域划分这一问题,提出基于时空数据的细粒度城市功能区域划分方法,提出了一个先进的城市功能区域划分框架（Hr F-ZR）,用于细粒度城市功能区划分算法,并提供了一种可解释的区域功能注释方法,利用兴趣点（POI）数据分析区域内的功能组合,挖掘区域内部功能的可解释性,本文的主要工作包含以下几个方面:首先,爬取了长春市兴趣点数据、长春市路网数据。对城市区域数据和道路数据进行筛选和划分,根据城市主干道路和主要路段将城市分割成细粒度的空间子区域,为后续区域内功能表征和识别工作提供支撑;其次,利用词嵌入方法（Word Embedding）,通过人群移动轨迹在各个区域产生的停留事件,学习各个区域的静态嵌入表示,获取细粒度城市区域的静态特征表示向量（Zone Embedding）。并且利用双层双向循环神经网络（Bi LSTM）进一步学习每个区域的功能表征,捕获连续出行轨迹中的动态出行目的,同时动态调整各区域间的关联性,以获取最真实的城市区域的功能表征结果（Zone Represenetation）;然后,使用k-means聚类方法获得各个细粒度区域的功能分类,分析区域聚类划分集群的功能组成,定制对细粒度自然区域标注实际功能含义的规则和标准:基于区域内分布的POI等级、POI纯度以及各个区域间人群轨迹的访问频率,这三个主要因素,标注每个区域集群的功能类别。同时,对标注的各类功能区域的内部组成进行详细解析和验证;之后,通过长春市真实的信令轨迹数据集和POI数据集进行实验和应用,首先,通过对比使用相同区域表征算法（Hr F-ZR）的粗细粒度区域划分实验结果,验证细粒度城市区域划分的必要性。然后,通过将Hr F-ZR方法与四种先进有效的区域功能表征算法进行对比,并将所有的细粒度区域表征实验结果应用于区域内人群流预测和基于区域增强的兴趣点推荐两个相关任务,验证Hr F-ZR区域表征结果的准确性和有效性;最后,通过定量验证和定性验证的结果表明,本文提出的基于区域表征学习的细粒度城市功能区域划分方法（Hr F-ZR）可以达到最好的城市功能区域的细粒度划分结果,并且对区域内的功能组成和分布提供合理的解释。