随着基于位置的服务和空间信息处理技术的发展,越来越多的空间数据被生成和存储,那么仅仅只对关系和事务数据库进行挖掘已经满足不了用户的需求,因此我们需要对空间数据库进行挖掘。空间co-location模式挖掘作为空间数据挖掘的一项重要任务现已被广泛地研究,它主要被用来发现空间特征之间的相关性。空间co-location模式是空间特征的一个子集,它们的实例在空间中频繁关联。然而,由于传统的频繁co-location模式挖掘框架大部分是类Apriori算法,因此,当我们想要挖掘巨型频繁空间co-location模式,也就是挖掘包含了大量空间特征的空间co-location模式时,我们会发现现存的挖掘算法在面对越来越多的数据量时,会产生大量的中间结果,从而降低了挖掘算法的运行效率和资源利用率。针对这种情况,本文基于模式融合的思想提出了一个巨型频繁空间co-location模式挖掘算法。利用模式融合的思想,我们可以通过每次融合若干个较小模式的策略来快速生成巨型频繁空间co-location模式,而不像类Aprior或者FP-growth算法递增式地生成高阶模式,从而可以避开大量的中间空间co-location模式。这一性质使得我们提出的挖掘算法和已存的递增地扩展模式挖掘算法区别开来。由于模式融合旨在产生巨型co-location模式的近似解,因此我们又引进了一个质量评估模型,用其评估算法返回的结果模式集质量。之后,通过大量的对比实验来验证算法的正确性和有效性。