时空异常模式在时空数据中表现为偏离整体或局部时空分布的时空实体，可能隐含着潜在的重要信息，并代表了特殊的地理现象或地理过程。时空异常模式挖掘已成为时空数据挖掘与知识发现的重要研究内容，并在极端气候事件识别、环境监测、交通拥堵检测、犯罪和流行病爆发热点探测等众多领域得到了广泛应用。随着数据获取能力的提高，时空数据表现出多样、海量、动态、多尺度(或多分辨率)等特性，迫切需要针对不同类型的时空数据并结合实际应用发展时空异常模式的挖掘方法。为此，本文针对几种典型的时空数据深入开展时空异常模式挖掘的研究工作，主要内容包括：

(1) 对传统异常模式的类型和特征进行了简要描述，在此基础上结合不同类型空间/时空数据的特点和异常模式的表现特征，对空间/时空异常模式进行了详细分类和描述，并建立了一个时空数据异常模式挖掘框架。

(2) 针对两种不同类型的空间数据，提出了基于层次约束图的空间异常模式探测方法：①对于空间点事件数据，发展了一种基于层次约束Delaunay三角网(TIN)的异常模式探测方法。该方法通过对原始TIN进行一种层次边长约束，逐步提取全局、局部以及内部空间异常点和异常区域。②对于带有专题属性的空间数据，发展了一种融合层次约束图与局部密度思想的空间异常模式探测方法。该方法在空间约束TIN的基础上进一步顾及专题属性距离约束TIN，以有效探测空间异常点和异常区域，并利用局部密度思想度量空间实体的异常度，从而进行可视化分析。

(3) 针对时空点事件数据和带有专题属性的时空序列数据，提出了时空耦合的异常模式探测策略：①以Twitter时空点事件数据为例，通过顾及点事件的空间/时空异常分布，发展了一种基于时空耦合聚类的时空演变模式探测方法。该方法可以充分提取Twitter时空点事件在空间映射后所形成的各种类型空间簇和空间异常分布模式，并从时空演变的角度探测不同类型空间簇和空间异常的形成过程。②以城市路网交通流时空序列为例，发展了一种融合动态时空传递的时空流异常模式探测方法。该方法通过对交通流的时空传递进行建模实现动态聚类分析，并进一步从全局和局部的角度充分探测静态分布异常模式和动态突变异常模式。

(4) 为分析异常模式的发生机制，从时空关联分析的角度出发，通过顾及时空序列数据的空间多尺度效应，融合多尺度空间聚类与时间序列关联规则挖掘，提出了异常模式的时空遥相关挖掘框架：①融合顾及空间邻近的层次聚类方法和异常模式间的时间延迟效应，探索了海洋气候指数与中国陆地异常降水间的时空遥相关。②融合尺度空间聚类方法和滑动时间窗口思想，对全球异常海温与全球陆地异常降水以及全球异常海压与中国陆地异常气温之间进行了时空遥相关挖掘。实验验证分析说明，该方法不仅可以得到与先验知识吻合的模式，还得到了一些未知的模式，有助于进一步深入分析异常气候的发生机制。