随着数据库技术的发展和人们获取数据手段的多样化,空间数据的数量、大小、和复杂性都在剧增,而且这些数据正以几何级数或指数级增长,已经远远超出了人们的解释能力。因此,如何高效的从海量空间数据中提取有用信息,已经成为空间数据挖掘中广为研究的问题。空间聚类是数据挖掘的一种重要手段,应用已十分广泛,但是,传统的空间聚类算法都是以解决大规模数据应用,提高算法性能等为目的,忽略了数据空间的障碍约束,文献中只有少数几个算法考虑了障碍物对聚类效果的影响,但它们在算法效率、聚类质量等方面都存在着不足。尤其是在公路选线中,要综合考虑某地区的地理位置、自然条件和社会情况等因素,一般来说地形地质错综复杂,而且不同地区的自然条件也各不相同等,这些问题都增加了空间聚类的难度。基于密度的障碍空间聚类算法的研究已经成为当前空间数据挖掘研究领域的热点之一。目前,大部分的基于障碍约束的空间聚类算法都是在传统的聚类算法的基础上改进的,由于加入了障碍约束,使得原算法要么计算量剧增,预处理代价太大,要么对障碍约束的处理不够灵活。本文在深入研究了空间聚类算法的国内外发展现状的基础上,重点研究了基于障碍约束的密度聚类算法,并比较分析了现有空间聚类算法和障碍约束聚类算法。针对目前基于障碍约束的空间聚类算法存在的问题,以山区高速公路选线为背景,提出了一种障碍空间中带方向的密度聚类算法。该算法将聚类方向引入到存在障碍的数据空间,只对聚类方向上的候选点进行聚类,减少了候选点;同时采用数据分区技术对数据集进行分区,在各分区对数据聚类以避免初始参数选取的敏感性;最后对算法进行了实验验证并与DBCLuC算法进行了比较,实验结果证明,本文提出的算法较DBCLuC算法在时间复杂度上有较大的改进,提高了聚类效率,为高速公路选线提供了良好的理论支持。