纵火是一种特殊的犯罪形式,具有犯罪动机复杂,调查取证难的特点。纵火除了造成人员伤亡和财产损失外,还可能会产生巨大的社会影响,并在公众中引起心理恐慌。目前,数据挖掘技术正日益成为预防和打击犯罪的有力工具。在纵火预防策略的研究中,从时空模式出发挖掘纵火发生的聚集规律,将有助于警力与消防资源的部署,提升工作效率,减少响应时间。而对团伙纵火的快速识别,将为案件的侦破和预防提供有效的支撑。为了挖掘纵火事件在时间和空间上的特征,分析其聚集效应,本文使用Knox方法检验了纵火事件的发生是否存在显著的临近重复效应,并且分别基于Texas州和Ford worth市的纵火数据进行了实验对比。结果显示,纵火事件通常在距起始事件空间和时间较近的地方表现出较高的重复发生的可能性。但不同地理范围的数据也显示出了结果差异。为了分析纵火事件的作案特征在空间上的聚集模式,并解决经典聚类算法无法直接应用于混合型数据的问题,本文基于纵火的时空与非时空属性提出了一种改进的聚类方法ω-HACMD。该模型使用熵权法对Gower距离进行了改进,并将其与凝聚型层次聚类算法进行了融合,从而在聚类时兼顾了不同分类属性取值分布的不同。实验证明,其效果优于k-prototype,Gower+k-medoids等流行的聚类模型。为了有效地识别涉及团伙的纵火案件,本文提出了一种结合集成学习和智能优化算法的识别框架。首先,利用基于递归特征消除（RFE）的特征选择方法去除冗余特征。其次,针对数据不平衡问题,从18种候选算法中确定了最佳处理算法。然后,通过尝试组合多个基分类器后,获得了最佳的基分类器组合。接着,在整合基分类器的预测结果时,提出了一种加权集成策略。最后,利用差分进化算法对基分类器的参数和组合权重进行优化,进一步提高了模型的识别能力。为了验证所提出方法的实际性能,本文在美国国家火灾事故报告系统（NFIRS）提供的数据上进行了实验。结果表明,该方法明显优于其它流行的机器学习方法。本文从纵火的事前预防和事后调查两个角度验证了使用数据挖掘技术可以发现纵火中隐藏的潜在模式。一方面,通过时空分析以及地理可视化技术,可以得到纵火及纵火的作案手法在时空上的聚集规律,从而为警力及消防资源部署提供了决策支持。另一方面,利用作案特征数据建立了有效的团伙纵火识别模型,从而为案件侦破提供了可靠的决策依据。