随着我国城市化水平不断提高,城市空间的快速扩张产生了一系列的城市病,对城市内部的功能结构进行精细准确地识别有助于城市的科学建设与空间结构优化,进而促进城市的可持续发展建设。近年来,数据挖掘技术和城市大数据快速发展,除了传统的社会调查数据与遥感影像数据,城市中海量的轨迹数据与兴趣点数据蕴含了城市用地的利用情况和空间联系的规律,结合新兴的自然语言处理模型能够有效挖掘这些信息,进而帮助更实时准确地理解城市用地及其混合程度。因此,本文基于北京市的手机信令轨迹数据与兴趣点数据,对城市的用地情况以及混合程度进行了量化和分析,并构建了地理语义特征提取、城市混合功能区识别、结果验证、敏感性分析以及城市功能结构评价的研究框架。本文的主要研究工作如下:首先,对轨迹数据、兴趣点数据以及路网数据进行数据预处理操作以及数据清洗工作,特别地,针对轨迹数据还进行了异常值检测与停留点提取,针对POI数据进行了重分类操作。考虑到街区是城市形态结构以及城市认知的基本单元,本文基于路网划分研究区域生成交通分析区作为本文的研究尺度。其次,结合自然语言处理模型提取多源地理数据的潜在语义特征。本研究将地理数据中的各个地理实体类别为文本中的词汇,构建训练词向量模型的语料库,通过训练词向量模型进而获得可以表征空间分布与空间交互潜在关系的高维语义特征向量,最后将其加权平均到各个交通分析区并进行有效地集成融合。最后,使用随机森林方法对北京市的城市用地状况进行建模和量化。本文将城市用地按照其功能与社会经济属性划分为了商业用地、住宅用地、工作用地、娱乐用地以及公共服务用地五种用地类型,基于随机森林算法对包含动态轨迹数据与静态兴趣点数据的语义特征与混合城市功能区进行建模,并对城市内部的功能结构进行分析和评价,量化了各类城市用地的使用情况和混合程度。结果表明,借鉴新兴的自然语言处理工具,能够有效地将城市内部的属性结构信息与动态的空间交互信息“向量化”,这些地理语义特征不仅方便动态更新,而且能够识别较多难以区分的城市功能用地类型。同时,与仅使用单一数据源相比,本文的方法提高了城市功能用地的识别精度和模型的效果,更加准确地识别了城市的混合功能区（OA=0.7215,Kappa=0.6758）,并且在量化城市各类用地占比时可以获得较高的比例准确度（PA=66.0%）。此外,混合功能区的量化结果对于北京城市规划具有一定的参考意义,可用于帮助城市规划人员实时动态地监测城市用地变化情况并评估城市规划方案的影响。