城市化是经济社会发展到一定阶段的必然产物。改革开放以来,中国的城市化进程迅猛发展并取得了显著的成绩,成为推动经济增长的持续动力。城市化促进了产业创新和经济发展方式的转变,有助于推动区域协调发展,是我国加快推进社会主义现代化的重大战略选择。城市化进程中城镇人口的增加以及经济的发展,对城镇用地扩展产生强大的推动力。然而,早期粗放式的城市空间增长模式引发了一系列资源、环境、生态等问题,对城市可持续发展形成制约。目前,一些大城市已逐渐步入城市化后期阶段,城市发展需求与资源供给不足的矛盾日益突出,城市发展模式亟需从重视规模扩展向重视资源集约利用转变。城市化后期,城市外向扩展动力不足,土地城市化进程缓慢,交通等基础设施凸显出城市空间引导作用。在此背景下,掌握城市化后期城市扩展的基本特征及其客观规律,开展多发展情景模拟,对有效指导未来城镇用地布局、引导城市协调可持续发展具有重要意义。研究以城市化后期的深圳市为研究区,集成土地利用数据、交通及规划资料、相关经济社会数据,综合GIS、空间句法、数据包络分析(Data Envelopment Analysis,简称 DEA)、人工神经网络(ArtificialNeuralNetwork,简称 ANN)算法和元胞自动机(CellularAutomata,简称CA)模型等原理和方法,进行城镇用地增长特征分析和模拟研究。论文主要研究内容与结论如下:(1)城镇用地与交通可达性时空变化分析研究从规模、结构和形态三个角度剖析深圳市城镇用地空间增长特征。2000年至2014年,深圳市城镇用地从快速扩张过渡到低速增长模式,增长空间主要分布在原特区外,区域城镇用地向心性降低、斑块形状愈加复杂。期间,城市交通网络结构更加完善,基于空间句法的道路网络可达性测度指数升高,市域可达性提升。伴随着道路网络"东疏西密"的布局结构,区域通达性也呈现"西高东低"特征。采用双变量空间相关分析探究城镇用地扩展强度与可达性时空变化关系,结果表明两者具有一定空间正相关性,局部地区相关特征显著。土地利用与交通可达性的数据包络分析显示,原特区外特别是城市新区,土地与交通协调性较优。(2)ANN-CA城镇用地增长模型构建结合人工神经网络算法与元胞自动机模型,构建城镇用地增长模拟模型。综合考虑交通可达性、自然条件、区位条件、规划因素、社会活动影响和邻域作用,通过神经网络训练自动获取土地利用转换规则,有利于提高模型效率和模拟精度。以2009-2014年的土地利用数据,模拟2015年深圳市城镇用地布局,并与真实年份土地利用数据进行对比。设置随机干扰因子和转换概率阈值的5种参数组合进行模型校正和精度评价,模拟结果与真实城镇用地布局具有较好的一致性,验证了 ANN-CA模型的有效性。模拟效果最佳的参数组合(α=1,T=0.8)可应用于未来城镇用地预测研究。(3)城镇用地增长多情景模拟基于ANN-CA城镇用地增长模拟模型,综合考虑研究区土地利用变化特征和城市发展规划,设计趋势延续式(情景一)、交通引导式(情景二)和空间优化式(情景三)三种城市发展情景,分别通过城市自组织发展规律、道路可达性引导和规划轨道交通网络结构,实现未来城镇用地空间差异化增长,并从规模、布局和景观格局特征对2020年和2030年城镇用地增长模拟结果进行对比分析。近期模拟(2020年)阶段,情景一和情景二城镇用地空间增长特征相似,中部地区优先增长,情景三则侧重于城市东部地区发展。远期模拟(2030年)中,情景一与情景三增长特征一致,均在东部地区增长量最大,情景二仍以中部地区增长为主。研究总结,综合交通体系对城市空间结构具有重要的支撑作用,不同交通情景形成差异化的城市空间格局。城市化后期,城市增长一方面受城市规划的引导,另一方面受到空间资源制约,两者综合作用形成一定的城市空间发展特征。