空间异质性是地理空间数据特殊性的重要体现，也是地理空间分析方法研究长期关注的核心议题。近年来大量细粒度地理空间数据的出现和人工智能技术的发展为空间异质性建模带来了新的机遇与挑战。从描述对象角度，空间异质性可分为属性异质性和过程异质性；从建模方式角度，空间异质性建模可分为连续建模和离散建模。依据上述分类方法，本文总结出空间异质性建模的主要任务为空间区域划分、局部空间回归、分区域空间回归，并综述了每种任务的代表性方法。本文进一步综述地理空间人工智能领域针对空间异质性发展的一系列方法，讨论了将空间异质性融入神经网络模型结构设计的方式。未来，方法体系相对成熟的空间区域划分、局部空间回归仍将保持生命力；而分区域空间回归、顾及空间异质性的人工智能方法尚有较大的探索空间，是后续研究值得关注的方向。