流式数据聚类分析可以在海量数据中实时地挖掘出有效信息,在商业决策、物联网、金融证券数据分析等领域得到了广泛应用。与静态数据不同,流式数据具有实时性、突发性、易失性、无序性和无限性等特点,且无法将全部数据在内存中存储起来进行数据分析。因此,无限流式数据在有限内存空间里的聚类分析存在局限性,同时随着流式数据维度越来越高也给流式数据聚类带来了极大困难。鉴于上述情况,对流式数据聚类方法研究具有重要意义。论文以流式数据为研究对象,重点针对基于网格和密度的流式数据算法以及基于高维流式数据聚类算法进行了研究,具体而言,主要完成了如下工作:1.针对现有基于网格和密度的流式数据聚类算法存在边界点处理粗糙的问题,提出一种基于网格与密度的改进流式数据聚类算法。通过引入影响系数来表达数据点对邻接网格单元产生的影响,从而计算网格密度、提升算法的运行效率和准确性。实验证明,该算法能够更为准确快速地识别出聚类,具有可行性。2.针对高维流式数据聚类计算量巨大的问题,提出了一种高维流式数据聚类算法。算法充分考虑流式数据维度本身,并依据数据点在每个维度的分布特性,进行属性约简和网格划分,再根据不同维度的区域重叠产生聚类子空间。实验结果表明,算法不仅能够有效保证聚类质量,还具有较好的处理效率。综上所述,针对流式数据聚类算法的挖掘效率及挖掘准确度现状进行分析研究,提出改进的流式数据挖掘算法,并通过实验对算法的可行性及有效性进行验证,具有较好的理论及实践意义。