近年来,随着人们对信息技术的不断了解,空间的数据聚类问题在许多应用领域中无处不在。由于数据在采集过程中,易受环境或者是采集仪器精度的影响,使得数据具有不确定性,不确定数据的聚类分析实用价值更高。现实生活中,存在一些地理条件的限制,本文考虑到真实环境下障碍的约束更能够真实的反应空间情况,并且实用价值更高,所以本文在不确定数据聚类的基础上,分析了带有障碍的聚类问题,进而解决障碍空间中的不确定数据聚类问题。对于上述问题,本文根据障碍集合的前后变化,分别分情况解决了静态障碍空间与动态障碍空间基于属性级不确定数据的聚类问题,主要研究的内容如下:首先,本文利用概率质量函数表示离散型不确定数据,用概率密度函数表示连续型不确定数据,并且使用KL距离进行相似性度量。为了有效解决静态障碍空间和动态障碍空间中数据聚类的问题,分别引入计算几何中的Voronoi图和网格对数据空间进行划分,并提出了带有障碍约束的基于Voronoi图和网格的不确定数据聚类算法。其次,根据Voronoi图和网格的性质,提出了聚类规则,并通过障碍集合的前后变化进行分情况分析,提高算法的效率。最后提出了能够解决静态障碍空间和动态障碍空间的不确定数据聚类算法,其中障碍的动态变化指的是障碍动态增加与障碍动态减少两种情况。理论研究和实验分析表明,本文提出的RO_UDVBSCAN和G_UDOBSCAN算法能较好的适用于带有障碍约束的不确定数据聚类问题,并具有较高的准确性和效率。