针对现有兴趣点(points-of-interest，POI)推荐存在的地理特征挖掘不充分与未将顺序信息纳入空间偏好的问题，提出基于序列图时空增强与地理关系(spatial-temporal enhancement of sequence graph and geographical relationships，STESGGR)的POI推荐模型。首先，利用POI位置信息构建地理图，采用图卷积网络(Graph Convolutional Network，GCN)与注意力机制获取用户访问POI的地理特征。其次，利用用户签到信息提取时空特征构建时空信息增强的序列图，采用门图神经网络(Gated Graph Neural Networks，GGNN)与注意力机制获取用户访问POI的时空偏好。然后，引入共同性学习优化框架学习顺序信息与地理特征之间的互补信息，进一步挖掘地理特征。最后，融合两个特征信息并通过多层感知机(Multilayer Perceptron，MLP)进行POI推荐。在五个真实数据集上进行了实验，结果表明STESGGR模型在AUC和Logloss指标上分别提升1.2%-2.7%和3.2%-12.4%。实验证明STESGGR在基于位置的POI推荐下有较好表现，充分挖掘了顺序与地理特征，提升了推荐效果。