随着信息技术的发展,人类获取和存储海量数据的能力迅速提升,数据挖掘(Data Mining)知识在此背景下产生,空间数据挖掘和知识发现(Spatial Data Mining and Knowledge Discovery)是其主要的研究内容。空间数据挖掘和知识发现技术的发展,使得空间知识的获取取得有效改进。在公共设施选址问题中,如果对其考虑因素运用数学语言建立模型,并将空间数据挖掘知识应用于其中,将对城市建议中公共设施选址决策提供有价值的参考。本文主要研究了空间数据挖掘技术的理论和方法,及其聚类算法在公共设施选址优化决策中的应用。在基础理论方面,对空间数据挖掘和知识发现的基础理论进行了综述。对空间聚类知识的概念和研究意义进行了阐述,描述了聚类分割算法和聚类层次算法。分别介绍了K-means算法、K-medoids算法、Clara算法、Clarans算法的算法思想和算法流程,并对各种聚类算法的性能和聚类结果的优劣进行了对比分析。在扩展研究方面,以公共设施选址为分析对象,在传统聚类算法在此方面应用研究的基础上,全面考虑了障碍物因素和道路交通条件差异因素对聚类结果的影响,对算法进行了改进,从而优化了聚类结果。同时用K-means算法和模拟退火算法的有效结合,克服了传统K-means算法和传统K-mediods算法的弊端。通过和传统解决办法的对比,体现了本文提出的方法的运行时效性和结果有效性。在实验研究方面,基于改进的算法设计,运用C++程序设计语言对其进行了编码实现,并在Visual Studio 2005中进行了编译和运行。并以某新建的城区为例,运用Google Earth获取居民点坐标作为输入数据,分别应用传统算法和本文改进算法进行聚类,然后应用MapInfo描点出图对实验结果进行了对比。本文对空间数据挖掘聚类方法在公共设施方面的应用进行了初步研究,并在算法设计的基础上,进行了编码实现。旨在对应用空间数据挖掘知识构建公共设施选址决策系统进行应用性探索。