随着计算机应用的普及，信息系统产生的数据量日益增大，迫切需要高效的数据挖掘工具，从大量原始数据中寻找有价值的知识模式。聚类分析是数据挖掘的重要工作之一。二元数据是一种只有0和1两种状态的数据类型，常见的二元数据类型有购物篮数据、文档数据等，其维度往往高达成千上万。如何高效地从二元数据中寻找潜在的、自然存在的聚类簇，这是当前聚类研究的热点。　　 本文对二元数据聚类分析展开研究，目的是寻求高效的二元数据聚类算法。通过分析二元数据高维稀疏性的特点，采用子空间聚类技术进行研究。在已有的二元数据聚类算法--基于有限混合伯努利模型的聚类算法的基础上，本文改进出一种基于熵的算法--ESCB(Entropy basedSubspace Clustering of Binary Data)算法。改进的主要方面有：①针对在二元数据空间中，传统的基于距离的相似性度量方法导致点与点之间相似度分辨能力下降的问题，本文定义了一种相似性度量方法，有效地解决了二元数据相似性度量的问题；②通过对基于有限混合伯努利模型的二元数据聚类算法的研究，针对算法需要用户自行设定簇的个数作为算法的初始参数，致使算法应用性受到局限的问题。本文使用了改进的初始化方法用来初始划分数据集，并且利用熵对初始划分进行质量评价，进一步判断初始参数是否达到最优，最后实现了无参聚类。　　 实验表明，该算法能够有效地发现二元数据空间中的聚类簇，并且为每个簇指定相应的属性空间。同时，与基于有限混合伯努利模型的聚类算法相比，改进后的方法使得聚类算法在时间复杂度、聚类质量、无参化等性能得到了改善。