插值建模旨在利用已有采样数据对空间/时空缺失数据或未采样数据进行估计，生成高精度空间曲面或时空网格，精确表达时空过程的空间/时空分布模式。然而，现有插值方法没有充分考虑时空数据的异质性和多元协变量的影响，导致插值精度很难满足要求。鉴于此，本论文以异质时空数据为主要研究对象，深入研究了顾及多元协变量影响的高精度空间/时空插值方法，具体包括：

(1) 针对异质性对空间/时空插值的影响，研究了异质时空数据的可插值性度量方法。首先，对时空数据的异质性进行分类和描述，阐述了异质性的处理方法。进而，分析了空间/时空数据的可插值性问题。在此基础上，顾及可插值性度量的影响因子，提出了一种基于信息熵的最佳插值粒度选择指标。最后，通过试验验证了该指标的可行性和有效性。

(2) 针对时空数据存在缺失的问题，提出了一种顾及异质性的时空缺失数据插值方法。该方法首先对时空数据进行异质分区，在时/空间维度分别采用异质协方差模型估计缺失数据。进而，采用相关系数指标确定时/空维度权重，并以此对时/空间维度插值结果进行融合。最后，通过三组气象数据进行交叉验证分析，试验结果表明所提方法比P-Bshade方法、时空克里金方法和时空反距离加权方法都具有更高的精度。

(3) 针对现有空间插值方法没有充分考虑未采样点相关协变量的问题，提出了一种顾及多因子影响的自适应反距离加权插值方法。该方法以气象数据为例，顾及经纬度、高程及复杂地形因素影响，自适应调整距离衰减参数进行反距离加权插值。在此基础上，顾及采样数据的异质性，提出了一种基于空间异质分区的残差反距离加权插值方法。该方法以空气污染数据为例，顾及空间异质分区对采样数据进行插值。最后，使用实际数据进行交叉验证分析，试验结果表面所提方法优于经典的克里金方法和反距离加权方法。

(4) 针对采样站点稀疏且分布不均匀等实际情况，提出了一种融合多源监测数据的贝叶斯最大熵插值方法。该方法能够有效地融合时/空分辨率高、精度低的动态监测数据与时/空分辨率低、精度高的静态监测数据，从而构建高精度表面模型。最后，以北京市PM2.5浓度数据为例进行试验验证，结果表明所提方法精度优于普通克里金方法和协同克里金方法。

(5) 为了验证本论文所提方法的适用性和优越性，采用北京市PM2.5浓度数据进行综合试验验证。首先，对北京市PM2.5浓度数据进行基于异质协方差模型的缺失数据插值修补。进而，顾及风向、风速因素的影响，对北京市PM2.5浓度数据进行空间插值估计。最后，采用贝叶斯最大熵方法融合移动监测数据，构建北京市PM2.5浓度时空立方体，并以此对北京市PM2.5浓度进行时空分布模式分析，为空气污染的防治提供相关依据。