不确定数据流聚类作为数据流挖掘的一个主要研究方向，其研究成果已应用于网络监测、金融服务等诸多领域。然而，由于不确定性描述的引入，使得传统的数据流聚类算法不能对不确定数据流进行有效地聚类，这给不确定数据流的聚类带来了新的困难和挑战。本文对不确定进化数据流聚类算法进行了研究，给出了一种在线微簇维护策略，基于投影聚类的思想，给出了高维空间中不确定数据流聚类算法。本文的主要工作概括如下：1.概述了数据流挖掘的研究现状，分析了不确定性对传统聚类结果的影响，介绍了数据流挖掘的窗口处理模型，归纳了数据流聚类的基础算法。2.分析了UMicro算法在线聚类过程中，基于界标窗口模型的微簇维护存在的缺陷，给出了一种基于滑动窗口模型的微簇维护策略，同时给出了低维空间中不确定数据流聚类算法——USCluster算法。仿真实验明了USCluster算法比UMicro算法具有更高的聚类准确性和时间效率。3.针对高维空间中不确定数据流的聚类问题，基于投影聚类的思想，给出了高维空间下的不确定数据流聚类算法——HPUSCluster算法。仿真实验证明了在高维空间中，HPUSCluster算法比USCluster算法具有更高的聚类准确性和时间效率。