合理的城市功能区规划是城市可持续发展的基础。城市功能区的准确识别是城市规划的重要内容,而当前城市功能区识别方法的相关研究,大多仅基于单源数据分析建模来进行功能区的划分与识别,无法充分利用易于获取的多尺度多来源的数据,为此本文提出了基于多模态机器学习的城市功能区域分类模型MM-Urban FAC,模型部分首先使用SE-Res Ne Xt与自定义结构的DPN结合的双分支神经网络,用来自动挖掘与融合多来源数据的整体特征。模型还并采用人工设计的特征工程对用户行为数据进行深度挖掘,获取更多的关联信息。最后结合基于梯度提升树的算法分别对不同层次的特征进行学习,进而获取对城市功能区域分类的最终预测结果。通过对真实数据集进行了分析和实验验证,结果表明MM-Urban FAC有效提升了功能区划分的准确率,提高了集成学习的性能。城市化的进程的相关研究中,城市人流预测也是很重要的一个部分。人流预测在城市规划、交通控制、公共安全等领域有着广泛的应用。在城市功能区划分的研究中,用户的到访数据对于城市划分有很大的影响。本文还根据人流对城市功能区划分的影响,提出了城市功能区的先验知识也能帮助提升城市人流预测的准确性,据此本文提出了一种基于深度学习的卷积模型sc SEST+,对城市人群流动进行预测。模型结合POI分布和时间因子来表达位置属性的影响,引入人群运动的先验知识,并提出了一种有效的融合机制来稳定训练过程,进一步提高了性能。模型在真实城市人流数据集上性能超过了之前的表现最好的模型。