现代计算机网络和传感器网络技术的快速发展引发产生了一类具有广阔发展前景的新数据—流数据。区别于传统数据库中相对静态的数据,流数据有以下特点:持续、快速、无限量到达。数据流数据量的无限性使得数据流挖掘往往无法保留原始数据,仅能在内存中维护原始数据的一系列概要信息,并基于这些概要信息生成最终结果,所以数据流挖掘结果往往是有一定允许误差的近似结果。基于数据流的聚类挖掘得到国内外许多学者的研究和探讨,并提出了一些模型和方法,比如界标模型、滑动窗口模型等。本文基于滑动窗口模型改进了一种聚类方法,并将核密度估计理论应用于滑动窗口模型下的流数据密度估计。主要工作如下:采用指数直方图技术实现滑动窗口模型下的流数据聚类,通过将直方图分成大小不同的桶,各桶用来存储流数据的概要数据信息,实现滑动窗口内数据的增加删除,在线层主要实现流数据概要信息增量维护以及微聚类,通过计算新到数据与原有EHCF的距离确定被微簇吸收或者新建EHCF。离线层采用较为成熟的聚类算法对在线层的结果进行宏聚类,最终得到较为精确的聚类结果。本文希望通过对流数据密度估计的研究改进在线层的聚类模型,利用基本窗口技术将滑动窗口进行平均划分,每个基本窗口用一个四元组保存数据信息。将核密度估计理论运用于滑动窗口模型下的流数据密度估计,将表示每个基本窗口密度的核函数累加得到原数据的近似密度分布函数,并且结果精度仅受基本窗口个数的影响。实验表明,随着基本窗口个数的增加该方法具有一定准确性。