空间自相关(spatial autocorrelation)是指一些变量在同一个分布区内的观测数据之间潜在的相互依赖性。Tobler(1970)曾指出“地理学第一定律：任何东西与别的东西之间都是相关的，但近处的东西比远处的东西相关性更强”。

空间自相关统计量是用于度量地理数据(geographic data)的一个基本性质：某位置上的数据与其他位置上的数据间的相互依赖程度。通常把这种依赖叫做空间依赖(spatial dependence)。地理数据由于受空间相互作用和空间扩散的影响，彼此之间可能不再相互独立，而是相关的。例如，视空间上互相分离的许多市场为一个集合，如市场间的距离近到可以进行商品交换与流动，则商品的价格与供应在空间上可能是相关的，而不再相互独立。实际上，市场间距离越近，商品价格就越接近、越相关。

在地理统计学科中应用较多，现已有多种指数可以使用，但最主要的有两种指数，即Moran的I指数和Geary的C指数。

在统计上，通过相关分析(correlation analysis)可以检测两种现象(统计量)的变化是否存在相关性，例如：稻米的产量，往往与其所处的土壤肥沃程度相关。如果这个分析统计量是不同观察对象的同一属性变量，就称之为「自相关」（autocorrelation）。因此，所谓的空间自相关（spatial autocorrelation）就是研究「空间中，某空间单元与其周围单元间，就某种特征值，透过统计方法，进行空间自相关性程度的计算，以分析这些空间单元在空间上分布现象的特性」。

有许多种，然最为知名也最为常用的有：Moran’s I、Geary’s C、Getis、Join count等等。但这些方法各有其功用，同时亦有其适用范畴与限制，当然自有其优缺点。一般来说，方法在功用上可大致分为两大类：一为全域型（Global Spatial Autocorrelation），另一则为区域型（Local Spatial Autocorrelation）两种。

全域型的功能在于描述某现象的整体分布状况，判断此现象在空间是否有聚集特性存在，但其并不能确切地指出聚集在哪些地区。且若将全域型不同的空间间隔（spatial lag）的空间自相关统计量依序排列，还可进一步作空间自相关系数图（spatial autocorrelation coefficient correlogram），分析该现象在空间上是否有阶层性分布。而依据Anselin（1995）提出LISA（Local Indicators of Spatial Association）方法论说法，区域型之所以能够推算出聚集地（spatial hot spot）的范围，主要有两种：一是藉由统计显著性检定的方法，检定聚集空间单元相对於整体研究范围而言，其空间自相关是否够显著，若显著性大，即是该现象空间聚集的地区，如：Getis和Ord（1992）发展的Getis统计方法；另外，则是度量空间单元对整个研究范围空间自相关的影响程度，影响程度大的往往是区域内的「特例」（outliers），也就表示这些「特例」点往往是空间现象的聚集点，例如：Anselin’s Moran Scatterplot。