由于数据流的快速性、海量性且持续到达的独有特性，使得以往针对传统静态数据的聚类算法失效，如何利用有限的存储空间对实时数据流进行快速分析，进而准确有效地从数据流中挖掘出有价值的知识和信息，是目前数据挖掘领域中的一个难题。因此，研究设计出适应数据流特性的聚类算法，是十分重要的，也是很有现实意义的。本文在分析研究了传统聚类算法和数据流聚类算法的优缺点后，在PDStream算法的基础上进行改进，提出了一种新的基于密度维度树的增量式网格聚类算法IGDDT。该算法引入一种模式快照策略，来确定下一次聚类的时刻以及保存模式快照的时刻，并可以充分利用前一次聚类的结果更新现有聚类簇，这种增量式的聚类方法可以有效提高聚类效率。同时，在聚类过程中采用新的网格划分策略对网格单元再次进行均匀划分，以达到精确描述聚类边缘，提高聚类的质量的目的。在真实数据集与仿真数据集上的实验结果表明，IGDDT算法不仅可以发现任意形状的聚类，而且聚类准确度以及聚类效率均要高于传统的网格聚类算法。