城镇建设适宜性评价是国土空间规划与城镇发展管控的重要基础。针对传统多指标评价主观性强、统计模型非线性刻画不足、监督学习依赖标注样本、传统聚类忽略空间邻近导致分区碎片化等问题，本文提出一种融合空间正则的无监督深度聚类方法，通过深度嵌入表示学习与空间一致性约束协同，实现建设适宜性分区的自动识别与空间连续表达。
城镇建设适宜性评价需要综合地形、地质、水文、生态、交通与现状开发等多维指标。如何在缺少标注样本时自动识别非线性适宜性格局，是规划智能化的重要问题。
AHP、专家赋权等传统 GIS 多指标综合评价方法对指标体系和权重设定高度敏感，结果可重复性与客观性不足。
传统统计模型难以刻画资源环境约束与建设潜力之间的复杂非线性关系，也难以适应空间异质性。
K-Means、GMM 等传统聚类多基于欧氏空间假设，忽略地理邻近相关性，容易产生破碎、跳跃的适宜性分区。
方法核心在于：用深度网络学习多指标数据的低维潜在表示，用无监督聚类识别适宜性类别，同时引入空间正则化约束，使相邻区域保持合理一致性。
面向城镇建设适宜性，整合资源环境、工程地质、生态约束、交通区位和现状开发等指标，并进行尺度统一、标准化与空间栅格化处理。
利用深度自编码器或深度嵌入网络学习多指标之间的非线性关系，将高维评价因子压缩到更具判别力的潜在空间，降低噪声与冗余影响。
在聚类目标中引入空间邻域一致性约束，使相邻空间单元在适宜性类别上保持合理平滑，同时保留真实边界差异，从而减少分区碎片化。
深度嵌入负责捕捉复杂指标关系，空间正则负责维持地理分区的连续性与可解释性。
通过多目标联合优化，使模型同时关注属性相似性、类别可分性与空间邻近一致性。
该方法适合规划前期标注样本不足的地区，可减少专家权重依赖，并提升适宜性分区的空间完整性和政策可读性。
融合空间正则的无监督深度聚类为城镇建设适宜性评价提供了从“专家赋权”到“数据表征学习”的新路径，可增强规划分析的客观性、连续性与可解释性。
方法通过无监督深度学习自动挖掘指标组合模式，降低对人工权重和标注样本的依赖。
空间正则化约束使适宜性分区更符合地理邻近规律，减少传统聚类常见的碎片化结果。
可支撑城镇开发边界划定、建设用地布局优化、资源环境承载力评价和国土空间用途管制。