近些年来，由于计算机及信息技术的高速发展，人们获取数据的能力极大的提高，数据流作为一类重要的数据来源，越来越受到关注。数据流是连续的、快速变化的、有序的、海量的数据，不同于传统的存储在磁盘上的静态的数据，而是一类新型的数据对象。在数据挖掘领域中，数据流己经成为一个研究热点，数据流聚类分析成为聚类研究中的一个重要方向。本文的研究目的就是设计并开发一种既准确又快速高效的数据流聚类算法。为此本文做了以后工作：介绍了课题研究的相关背景和意义；总结了目前比较成熟的几类聚类算法的优缺点和适用性；重点研究了数据流的特点和处理数据流聚类的关键型技术点；在此基础上，通过修改概要数据结构的方法、设计并实现了一种基于密度和网格的数据流聚类算法TD-Stream，该算法借鉴了经典算法CluStream处理数据流的框架，即将系统分为在线层和离线层，以达到聚类准确度和算法速度的平衡。在线层快速处理数据流，并将相关信息保存在概要数据结构中，并通过引入“趋度”，对传统的基于密度网格的数据流聚类算法中计算网格密度的思想加以改进，新数据读取算法计算出新数据的趋度，并以此将数据记录映射到正确的空间网格中，这样就能够解决传统算法基于绝对网格导致的同一网格内数据点属于不同类以及部分网格边缘信息丢失的问题；离线层在概要数据上进行计算提供精确聚类，使用基于密度的聚类算法，能发现任意形状的数据集，同时通过引入网格帧和演化差等概念，系统能满足用户对历史信息聚类和演化分析的需求。因此，算法既有基于网格的高效性，又能更加精确的挖掘具有任意形状的数据流。最后，分别采用仿真数据集和真实数据集对算法进行了实验验证，实验结果表明，算法具有较好的准确性和高效性，能对数据流进行高速有效的聚类分析。