聚类算法是一种能将数据集中相似的点聚集起来的无监督学习算法。批量聚类算法虽然准确度较高,但不能有效利用上一次的聚类结果,每次运行都需要使用全部的数据集进行重新计算,导致资源浪费、耗时等问题。增量聚类指的是在新数据到达后,不必重新构建整个模型,只需要根据已经构建好的模型进行更新,这一特点非常适合于流式计算,但增量聚类算法准确度相对较低,并且无法满足流式数据需要实时处理的特点。流式聚类虽然能够实时处理流式数据,但又无法支持较高精度要求的批量数据聚类。针对这些问题,本文设计一种基于流式计算的批流统一聚类模型（Unified Batch and Streaming Clustering Model,UBSCM）。模型中设计了基于流式迭代的簇特征更新机制（Streaming Cluster Feature Update Mechanism,SCFUM）,并在模型的基础上使用Flink流式计算框架实现了批流统一的聚类算法,通过实验验证了算法适用于批量和流式两种数据形式的聚类。论文的主要工作包括:（1）提出基于流式计算的批流统一聚类模型。基于流式数据处理方案,将批量聚类和增量聚类结合。使用批量的聚类初始化方式,在首个时间窗口中初始化簇特征。后续窗口采用增量式的聚类方法,这样能够同时满足批量聚类的高精度以及流式聚类的低延迟等特点。模型中包含基于流式迭代的簇特征更新机制,引入迭代流的思想,将簇特征创建成迭代流。进行流式的数据状态广播、双流连接计算,即将两个流式数据进行连接后计算。根据数据的最近簇进行分区,窗口定时更新每个分区的簇特征并将其返回到迭代流中。采用该机制能够对并行的簇特征迭代流进行提取并更新。（2）实现了批流统一的划分聚类算法。根据提出的批流统一聚类模型和基于流式迭代的簇特征更新机制,引入Flink中的迭代流处理、广播流状态等方法,对批流统一 KMeans算法进行实现。针对离散数据类型,采用相似的方法对KModes聚类算法进行实现。通过实验验证算法满足批量数据与流式数据的聚类。（3）实现了批流统一的密度聚类算法。根据提出的批流统一聚类模型和基于流式迭代的簇特征更新机制。结合传统DBSCAN的密度聚类思想和DenStream的流式密度聚类原理,并引入Flink的迭代流处理、广播流状态等方法,实现批流统一密度聚类算法。