伴随着经济社会的发展,城市化进程在全球广泛发生,我国也相应加速城镇化进程。《“十三五”规划(2016-2020年)》指出,超大、特大城市应加快提高国际化水平,适当疏解中心城区非核心功能。对城市功能区进行划分与识别有助于分析城市功能区分布现状、了解城市内部空间结构,为优化城市空间格局和疏解中心城区非核心功能提供决策依据。传统的城市功能区划分研究方法存在主观性较大、数据更新慢、人工成本高的问题,且缺少细粒度研究。大数据的兴起以及数据挖掘技术的更新为城市功能区划分研究提供了富含语义信息的地理大数据及精细化的分析技术。本文研究从粗细两种粒度探究城市功能区识别方法,采用多源数据作为城市功能区识别的基础数据支撑。将郑州市中心城区800m×800m格网作为细粒度基础研究单元,探究相同粒度下POI权重对识别精度的提升作用。对POI数据进行预处理及重分类操作,根据POI数据对应地理实体的占地面积及公众认知度不同,赋予各类POI数据不同权重。然后构建功能区识别特征向量,通过计算各单元的类型占比特征向量,识别该单元功能类型,识别结果对应六种功能区。最后结合卫星地图及规划地图抽样对比验证,总体识别精度达到79%,Kappa系数0.75,表明分类一致性较高。除POI数据定量识别方法,本研究还利用机器学习中的聚类算法粗粒度识别功能区。常用的聚类算法有K-means算法、高斯混合模型及DBSCAN算法。目前功能区识别研究多采用K-means算法,该算法需要人为制定聚类数目(K值)且对非球状数据集聚类效果差。本研究对比分析三种常用聚类算法的优缺点及在功能区识别中的适用场景,为聚类算法的选取提供理论依据。以往研究还忽略了聚类识别时不同POI权重的影响,研究在聚类识别时结合POI权重,进一步提高聚类方法识别效果。此外,以往学者对功能区识别的研究多为整体性研究,缺乏个体性研究。具体表现为在POI数据密度非均匀分布时,POI定量识别方法和聚类识别方法所得结果存在相对性,不能完全反映个体功能区的真实分布状态。如城市中心某成分复杂区域被归为商服区,但其中公服类数据密度远大于城市边缘区域某公服区内的公服类数据密度。在此从个体角度提出一种基于核密度估计的功能区边界提取算法,从全局尺度提取个体功能区边界,精确提取个体功能区真实空间分布状态。研究根据POI空间分布密度变化使用核密度估计法提取功能区边界。经验证,该方法对不同的功能区边界都具有较高的适用性。研究补充并丰富了POI权重赋值下个体功能区识别研究,并为功能区边界提取方法提供了新思路。