近年来,随着对经典集合的研究及应用的不断深入,经典集合的弊病也日益暴露,如信息丢失、边界过于明显等。因而需要寻找一个新的方法来处理数据中的模糊性,改进经典集合的缺点。模糊集合正是在这种背景下产生的,它的出现很好地扩充了经典集合,更科学地解决了客观世界中普遍存在的模糊现象。另一方面,随着空间数据采集、处理技术及网络的发展和进步,人们对空间数据的研究也逐步深入。空间Co-Location模式挖掘旨在寻找其实例在邻近域中频繁地并置出现的空间特征,是空间数据挖掘的重要研究方向之一。由于空间数据除了空间位置信息,通常还包含了属性信息,所以讨论模糊Co-Location模式挖掘有着十分重要的意义。本文首先对研究现状进行分析,包括：阐述了空间Co-Location规则挖掘的基本定义和相关工作,提出空间Co-Location规则挖掘面临的主要挑战,简单介绍了模糊集理论的基本定义,重点关注了模糊集理论在关联规则挖掘中的应用,并列举了模糊关联规则挖掘方向的相关工作其次,针对含数量型属性的空间数据,定义了属性的离散化过程。在离散化后的数据上对问题重新进行定义,提出了模糊Co-Location模式挖掘概念和算法,并且分析了算法的性质和时间复杂度。第三,分析模糊Co-Location模式挖掘过程,给出两个剪枝策略,并在实验部分验证了剪枝策略的效果。最后是总结部分,在对本文主要内容作简要回顾的同时,还指出了模糊Co-Location模式挖掘研究的未尽问题,并对未来工作做出展望。